向量嵌入在推荐系统中通过将用户、物品或交互转换为高维空间中的数值表示（向量）来工作。这些嵌入捕获数据中的关系和模式，使系统能够衡量实体之间的相似性。例如，在电影推荐系统中，每部电影和每个用户都可以表示为一个向量。具有相似类型、主题或观众偏好的电影在此空间中的向量会更接近。同样，观看历史或偏好相似的用户也会有彼此靠近的向量。通过计算这些向量之间的距离（例如，余弦相似度），系统可以推荐符合用户兴趣的物品或识别具有相似品味的用户。
嵌入通常使用矩阵分解或神经网络等机器学习技术创建。在矩阵分解中，用户-物品交互矩阵（例如，评分或点击）被分解为两个低维矩阵：一个表示用户，另一个表示物品。这些矩阵中的每一行都成为用户或物品的嵌入。神经网络，如自编码器或基于 Transformer 的模型，可以通过处理物品描述、用户行为序列或上下文数据等特征来生成嵌入。例如，产品的嵌入可以利用语言模型从其文本描述中得出。在训练过程中，模型会调整这些嵌入，以最小化预测误差——例如用户嵌入预测其与物品交互的准确性。
一个实际的例子是 YouTube 的推荐系统，它使用嵌入来表示视频和用户。视频基于观看时长、标签和用户交互等特征进行嵌入，而用户嵌入反映了他们的观看历史和参与度。当用户观看视频时，系统通过比较嵌入来检索相似的视频。嵌入还能高效处理稀疏数据。例如，在电子商务中，一个只与少量物品交互过的用户仍然可以收到相关的推荐，因为他们的嵌入能够从有限的数据中进行泛化。通过将复杂关系压缩成向量，嵌入使得使用高效的向量相似度计算来实现可扩展的实时推荐成为可能，即使面对数百万个物品也是如此。