在做比赛的过程中，我曾用过word embedding生成app特征，对结果提升了有几个万分点。
论文：tem2vec: Neural Item Embedding for Collaborative Filtering # 思想 这篇文章比较朴素，创新性不高，基本是参照了google的word2vec方法，应用到推荐场景的i2i相似度计算中，但实际效果看还有有提升的。主要做法是把item视为word，用户的行为序列视为一个集合，item间的共现为正样本，并按照item的频率分布进行负样本采样，缺点是相似度的计算还只是利用到了item共现信息，1).忽略了user行为序列信息; 2).没有建模用户对不同item的喜欢程度高低。
实现
主要代码来自于写论文的作者分享的代码