学习前言

Embedding层是推荐系统特征转换的精髓，有必要简单了解一下他的原理。

什么是Embedding

一、为什么要有Embedding

Embedding技术是现代推荐系统的标配，它的主要作用是将稀疏向量转换成稠密向量。

简单来讲，Embedding就是用一个低维稠密的向量来表示一个对象，在推荐系统中，这个对象常常指的是一个特征（比如说价格、ID、种类等等），在推荐系统中，很多特征以文本的方式存在，我们可以使用哈希桶或者列表将文本转化成数字，但仅仅是数字是不利于矩阵处理的，如果使用One-hot对类别、Id型特征进行编码，导致样本特征向量极度稀疏，而深度学习的结构特点使其不利于稀疏特征向量的处理。

这个时候Embedding就发挥了非常好的作用，将数字特征转换成稠密向量，向量之间的距离反映了对象之间的相似性。相似性低的对象之间，距离一般较大。这个时候，Embedding后的稠密特征就可以很好的表示当前的特征。

二、推荐系统中常见的Embedding处理方式

1、字符串形式的输入

对于推荐系统而言，输入常常是字符串形式，因为不是矩阵，字符串本身无法被网络直接处理，在推荐系统中，字符串可以通过哈希桶的方式转化成单一数字（hash_bucket），对任意一个字符串，我们都可以将其转化成固定的数字，这个数字处于0到hash_bucket_size之间。

之后在代码中会建立一个可查询的embedding表，他的shape为：
(hash_bucket_size, embedding_dim)
这是一个hash_bucket_size行，embedding_dim列的矩阵，当我们通过一个字符串获得一个固定的数字后，我们会通过这个固定的离散值，获得离散值对应的行。

比如上图的例子中，我们假设hash_bucket_size等于5，embedding_dim等于32。如果输入的字符串为bicycle，我们获得的离散值等于0。我们此时就会获取embedding表的第0行，作为这个特征的embedding。

2、连续值（特定范围值）的输入

除去字符串形式的输入，有些值可能是连续值，比如一个特征的取值范围是1-10，此时连续值类特征可以先使用分箱组件+进行离散化，可以进行等频/等距/自动离散化，变成离散值，此时连续值就变成了存在于特定范围内的离散值。

如果有些值直接存在于特定范围内，那么我们可以直接将其进行规定，举个简单的例子，比如我们现在的物品主要是车辆，那么车辆的种类就可以规定为连续值（特定范围值）的输入。

我们直接就可以将车分为[自行车，越野车，小轿车，公交车，大货车]，这里只说了五个，实际上不止这么多，此时，我们就可以设定自行车就是0，越野车就是1，小轿车就是2，公交车就是3，大货车就是4。这样就不会存在hash冲突的问题，几就是几。
如果是连续值，可以先进行离散化，同样是直接进行映射。

之后在代码中会建立一个可查询的embedding表，他的shape为：
(boundaries_size, embedding_dim)
这是一个boundaries_size行，embedding_dim列的矩阵，当我们获得某个个体的cat_id，就可以获得其中第cat_id行。

比如上图的例子中，如果输入的字符串为bicycle，在列表中它的序号为0，此时我们获得的离散值等于0。我们此时就会获取embedding表的第0行，作为这个特征的embedding。

三、Embedding的注意点

一般来讲，尽管Embedding层的工作原理类似于查表的形式，但Embedding表本身也是需要训练的，不训练的话无法保证同一特征的不同值距离较大，embedding的长度一般也不是随便取的，可以通过如下的公式进行计算。其中，x 为不同特征取值的个数:
KaTeX parse error: Undefined control sequence: \ at position 27: …_dim=8+x^{0.25}\̲ ̲
公式参考easyrec文档：
https://easyrec.readthedocs.io/en/latest/feature/feature.html