將word2vec思想拓展到序列item的2vec方法並運用到推薦系統中，實質上可以認為是一種cf
在word2vec中，doc中的word是具有序列關系的，優化目標類似在max對數似然函數
應用在item2vec上，可以有兩種看待方式：
（1）如果item是強時序關系的，那么對某一次序列中的item，可以看成doc中的word，對其進行word2vec
（2）如果item是set-based，不用考慮時序，那么可能需要對word2vec進行變形
論文中對第二種情況進行了描述，有兩種變形方式
（1）改變滑動窗口，不再使用定長c，還是根據set的size靈活變化（也就是對整個set里的word進行兩兩組合成樣本）
（2）在訓練過程中對每個set隨機shuffle
論文中使用的兩個數據集，一是用戶收聽的音樂歌手數據，一個是訂單以及其中goods的數據
在推薦上，可以是用戶一次瀏覽序列里面的item，用戶豆列里的item，等等
可以看到word2vec在構建集合內item關系時很有用處
參考：