130
个编辑
更改
→推荐系统
=== 推荐系统 ===
=== 推荐系统 ===
虽然 Word2Vec 最初是为处理语言建模任务而设计，但其核心思想——“在上下文中共现的词语往往意义相关”——可以被自然迁移到非语言领域，特别是推荐系统中。推荐系统中的“用户行为序列”与 NLP 中的“句子”结构高度相似，而“商品、视频、音乐等内容”则可类比为“词”。基于这种结构对应关系，Word2Vec 成为建模用户偏好和内容相似性的强大工具。
在实践中，推荐系统会将用户的历史点击序列、购物行为或播放列表视作时间序列数据，将其中每一个物品（如商品ID、音乐ID）作为一个“词”输入 Word2Vec 模型进行训练。采用 Skip-gram 结构后，模型试图预测某个物品的上下文物品（即前后点击或购买的内容），从而学习出反映行为模式的向量表示。
训练完成后，Word2Vec 模型输出的嵌入向量可以直接用于推荐。最常见的方式是通过计算当前浏览/购买商品与其他商品之间的向量相似度（通常为余弦相似度），从而生成相似商品推荐（Item-to-Item 推荐）。此外，还可以将一个用户所有历史行为的物品向量进行平均，得到用户的兴趣画像向量，用于个性化推荐排序。
这一思想已经在多个主流平台落地并取得了良好效果。例如：
·淘宝、京东等电商平台使用商品序列训练 Word2Vec，构建“商品—商品”图谱，用于猜你喜欢、搭配购、商品联想等场景。比如用户在浏览“运动鞋”页面后，系统会推荐“运动袜”、“运动手表”等与其行为序列中相邻频繁出现的物品。
·美团和大众点评等本地生活平台，通过用户在一定时间段内访问的商家序列（如早餐店、便利店、药店），构建“地点向量”或“服务向量”，支持基于用户轨迹的本地商家推荐，如“去过 A 的人，也常去 B”。
=== 信息检索 ===
=== 信息检索 ===