embedding：用一个数值向量表示一个对象的方法，主要用以表示对象之间的关系
重要性：
1.将高维稀疏特征转为低维稠密特征。
2.融合大量有价值的信息，表达能力强。

以下为word2vector的模型结构（输入词的 one-hot编码，拟合该词的muti-hot编码,利用反向传播，激活函数是softmax，其中输入到隐藏层的Wvn就是我们需要的embedding）：

item2vec：利用序列数据把对象表达出来，利用word2vec即可获得embedding，我们可获得item的相似性和重要特征 。
重点回顾：

在我们通过 Word2vec 训练得到词向量，或者通过 Item2vec 得到物品向量之后，我们应该用什么方法计算他们的相似性呢？你知道几种计算相似性的方法？
1.利用距离：
1）欧氏距离，n维空间中两点真实距离。
2）曼哈顿距离，坐标轴距之和。
3）闵可夫斯基距离
2.夹角余弦
3.（皮尔逊）相关性系数，定距向量间的紧密程度：

4.集合观点下的相似度