其实item2vec 是word2vec的演化版，需要将一个人的浏览记录当做一段文字，记录中的每一个item 当做一个词， 这样就可以得到item与item之间的相似度。
使用这种方式有个前提，item必须很庞大，如果item很小，估计效果就很不理想。
Embedding在数学上表示一个maping, f: X -> Y， 也就是一个function，其中该函数是injective（就是我们所说的单射函数，每个Y只有唯一的X对应，反之亦然）和structure-preserving (结构保存，比如在X所属的空间上X1 < X2,那么映射后在Y所属空间上同理 Y1 < Y2)。那么对于word embedding，就是将单词word映射到另外一个空间，其中这个映射具有injective和structure-preserving的特点。
也就是说，如果推荐的候选集很小（比如是供应商，供应商一般不会很大），此方法应该会失效。