在神经网络下，每个特征都必须是数字。这就意味着在诸如推荐系统之类的领域，我们必须将非数字变量（如项目和用户）转换为数据和向量。

将项目和用户转为数字和向量

这意味着在诸如推荐系统之类的系统，我们必须将非数字变量（如项目和用户）转换为数字和向量。

我们可以尝试通过产品ID来表示项目；然而，神经网络将数字输入视为连续变量。

这就意味着较高的数字大于较低的数字，它还将相似的数字视为相似的项目。

对于年龄这样的字段来说，这个比较合适，但是数字表示类别变量时，这是没有意义的。在嵌入之前，最常用的方法之一是one-hot encoding。

one hot encoding

one-hot encoding是一种常用的表示分类变量的方法，这种无监督技术将单个类别映射到一个向量，并生成二进制表示。

实际过程很简单，我们创建一个大小等于类别数量的向量，所有值设置为0.然后将与给定id或者id关联的行设置1.

但是对于有很多唯一类别的变量，它就会产生无法管理的维数。而embedding就是为了解决这个问题的。