推薦系統(tǒng)常用的MF(矩陣分解)方法屋吨，旨在通過評(píng)分矩陣R有損分解得到矩陣U（代表所有用戶的feature vector）和矩陣I(代表所有item的feature vector)。
embedding 旨在用實(shí)值向量來表示一個(gè)對(duì)象刁卜，相似對(duì)象的實(shí)值向量也相近。
既然如此姚淆，MF也變成了一個(gè)構(gòu)造對(duì)象實(shí)值向量(Embedding)的過程。若是將輸入層看做表示用戶id的one_hot二值向量于样，那么，encoding層權(quán)重就相當(dāng)于前面說到的矩陣U潘靖。根據(jù)輸入的二值映射向量相當(dāng)于在U上面的一次lookup運(yùn)算穿剖，也就是找到了對(duì)應(yīng)id用戶的特征向量u。
這樣卦溢，decoding層權(quán)重相當(dāng)于前面提到的矩陣I糊余，根據(jù)u與矩陣I的乘積運(yùn)算，則得到對(duì)應(yīng)用戶u在各個(gè)item上面的偏好結(jié)果(包含了observed 數(shù)據(jù)和需要預(yù)測的數(shù)據(jù))单寂，而模型的損失函數(shù)則是保證observed數(shù)據(jù)和對(duì)應(yīng)decoding層的結(jié)果的誤差贬芥，使其盡可能小。
