将word2vec思想拓展到序列item的2vec方法并运用到推荐系统中，实质上可以认为是一种cf
在word2vec中，doc中的word是具有序列关系的，优化目标类似在max对数似然函数
应用在item2vec上，可以有两种看待方式：
（1）如果item是强时序关系的，那么对某一次序列中的item，可以看成doc中的word，对其进行word2vec
（2）如果item是set-based，不用考虑时序，那么可能需要对word2vec进行变形
论文中对第二种情况进行了描述，有两种变形方式
（1）改变滑动窗口，不再使用定长c，还是根据set的size灵活变化（也就是对整个set里的word进行两两组合成样本）
（2）在训练过程中对每个set随机shuffle
论文中使用的两个数据集，一是用户收听的音乐歌手数据，一个是订单以及其中goods的数据
在推荐上，可以是用户一次浏览序列里面的item，用户豆列里的item，等等
可以看到word2vec在构建集合内item关系时很有用处
参考：