embedding 和 ont 如何对比？
基于词向量的固定表征：word2vec、fastText、glove
基于词向量的动态表征：elmo、GPT、bert。
[[DSSM]] 保证 user 和 item 在同一个向量空间，之后可以进行计算。
基于 embedding 的召回
-
[[i2i 召回]] 算法
-
tag2vec：取文章的部分标签向量代表文章的向量（对应多个 embedding 如何处理）
-
item2item 计算：faiss 计算每篇文章的相似文章
- content i2i
-
其他召回和这个套路类似，就是训练 embedding 向量的时候，略有差异。tag2vec 是训练中文词语的向量，而 item2vec 是训练文章 ID（aid）所对应的向量，media2vec 训练的是文章的作者 ID（mid）所对应的向量，loc2vec 是训练地域名称所对应的向量，title2vec 是用 LSTM 训练得到的文章标题向量，doc2vec 是用 bert 计算出的文章正文（或者摘要）的向量。entity2vec 是利用我们自己构建的知识图谱通过 transE 得到的
-
-
u2i 召回
-
分群召回
+ 方法
+ 簇召回，用户 tag 用聚类算法聚成若干个簇
- 增量聚类
其他
-
[[Youtube DNN]] 是开山之作
-
所有特征（无论离线连续，单值多值）全部转化为 embedding，
-
把各种 embedding 拼接在一起构成一个向量送入 dnn。
-
-
Airbnb 在稀疏样本构造上有所创新。
-
分群 embedding
-
用户和 item 混合训练
-
特征 embedding
embedding 运算
embedding 痛点
-
增量更新的语义不变性
-
很难同时包含多个特征
-
长尾数据难以训练
embedding 总结 #card
