# Embedding 是深度推荐核心操作

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第4章 Embedding 技术
- 页码线索：102-109
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：embedding, vector, representation

## 面试问题

为什么 Embedding 对深度推荐系统如此重要？

## 30 秒回答

Embedding 把高维稀疏 ID、类别、文本或图节点映射为低维稠密向量，使相似用户、物品和上下文能在统一空间中计算、召回和输入深度模型。

## 展开要点

- 推荐系统大量特征是稀疏 ID 和类别特征。
- Embedding 降低维度并承载语义/行为相似性。
- Embedding 可用于召回、排序、冷启动和可视化分析。
- 向量质量取决于训练目标、数据分布和负样本设计。

## 高频追问

- Embedding 和 one-hot 有什么区别？
- Embedding 维度如何选择？
- 如何评估 embedding 好坏？

## 项目映射

- 职位、知识卡、用户画像都可向量化用于匹配。
- RAG 的文档 embedding 与推荐 item embedding 可类比。

## AI PM 迁移

AI PM 必须理解 embedding 是语义检索和个性化推荐的共同底座，但相似不等于正确。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。