嵌入通过将用户偏好和项目特征转换为捕捉情感和上下文细微差别的数值向量来支持基于情感的推荐。 这些向量使系统能够衡量用户情感和项目属性之间的相似性，从而形成个性化建议的基础。 例如，如果用户经常与描述为“舒适”或“温馨”的产品互动，则他们的嵌入将反映对积极、舒适情感的偏好。 具有类似情感特征的项目（例如，一本标记为“令人振奋”的书）将在向量空间中与用户的嵌入紧密对齐，使其成为推荐的有力候选者。
情感分析模型（如 BERT 或特定于情感的词嵌入）通过将情感背景分配给文本数据来增强此过程。 例如，一句产品评论“这部电影让我感到鼓舞”可以被编码为一个强调积极性和动机的嵌入。 这些嵌入可以与协同过滤技术相结合，其中用户-项目交互数据（例如，评级）也表示为向量。 通过将情感嵌入与传统的用户-项目交互向量集成，系统可以优先推荐不仅与用户过去的行为而且与他们的情感偏好相符的项目。 一个实际的例子可能涉及流媒体服务向评论或观看历史强调类似主题的用户推荐标记为“励志”的纪录片。
将情感嵌入集成到推荐系统通常涉及加权平均或神经网络等技术。 例如，混合模型可以使用用户的情感嵌入（从他们的评论中获得）和他们的交互嵌入（从点击或购买中获得）来创建统一的表示。 然后，使用余弦相似度将此组合向量与项目嵌入进行比较，以识别匹配项。 此外，矩阵分解可以分解用户-项目情感矩阵，以揭示解释某些情感驱动偏好的潜在因素。 通过显式地对情感进行建模，这些系统避免了通用建议，而是推荐在情感上产生共鸣的项目，例如向始终与平静内容互动的用户推荐“放松”播放列表。 这种方法弥合了行为数据和主观偏好之间的差距，使推荐更加细致和具有上下文感知能力。