我们知道，只要是能够被序列数据表示的物品，都可以通过 Item2vec 方法训练出 Embedding。但是，互联网的数据可不仅仅是序列数据那么简单，越来越多的数据被我们以图的形式展现出来。这个时候，基于序列数据的 Embedding 方法就显得“不够用”了。但在推荐系统中放弃图结构数据是非常可惜的，因为图数据中包含了大量非常有价值的结构信息。

不了解Item2vec 方法和Embedding看看下面文章：

Embedding 技术的神奇之处

经典的 Embedding 方法——Word2vec

Word2vec 模型上篇：CBOW 和 Skip-gram

Word2vec 模型下篇：CBOW 和 Skip-gram

Item2Vec: Word2vec方法的推广

互联网中，基于图结构数据有哪些？

互联网中非常典型的图结构数据，主要有社交网络、知识图谱和二部图。

社交网络，从社交网络中，我们可以发现社区，再根据这些“社交”特性进行社交化的推荐，如果我们可以对社交网络中的节点进行 Embedding编码，社交化推荐的过程将会非常方便。

社交网络图

知识图谱：主要由三元组（RDF，实体-关系-实体）组成，知识图谱中包含了不同类型的知识主体（如人物、地点等），附着在知识主体上的属性（如人物描述，物品特点），以及主体和主体之间、主体和属性之间的关系。如果我们能够对知识图谱中的主体进行 Embedding 化，就可以发现主体之间的潜在关系，这对于基于内容和知识的推荐系统是非常有帮助的。

知识图谱

行为关系类图数据。这类数据几乎存在于所有互联网应用中，它事实上是由用户和物品组成的“二部图”（也称二分图，如图 ）。用户和物品之间的相互行为生成了行为关系图。借助这样的关系图，我们自然能够利用 Embedding 技术发掘出物品和物品之间、用户和用户之间，以及用户和物品之间的关系，从而应用于推荐系统的进一步推荐。

行为关系类图