推荐系统笔记：Embedding学习常用算法与Online MatchServing

一、Embedding（嵌入）学习常⽤算法

为何需要采用Embedding:

1. Embedding 属于一种软分类问题，其特点在于无需对特定用户或物品进行明确的类别划分，类似于SVM中引入分类错误变量 \xi，从而将问题转化为软分类形式；
2. 在此过程中，我们无需预先设定具体的分类标准，而是由数据本身自动推导出相应的类别划分；
3. 针对每一个用户，可以计算其对应隐层变量的归属概率，即该用户属于某一类的可能性；
4. 同理，针对每一个物品，也可以计算其对应隐层变量的归属概率，即该物品属于某一类的可能性；

接下来将介绍几种常见的Embedding算法：

基于MF的Embedding形式： 在上一篇文章中提到的MF（矩阵分解）算法即为一种典型的Embedding学习方法。该方法通过将用户与物品之间的评分矩阵拆解为用户端隐层向量和物品端隐层向量来实现嵌入学习，具体结构如图所示：

MF具备以下优势：其主要特征包括：

* 采用latent vector对user和item（