在電商推薦系統中，有一種場景是根據一個商品(主商品)推薦相適度高的商品(推薦商品)。常用的方法有兩種，一是利用協同過濾模型，二是利用商品的屬性相似。
無論哪種方法，都是將商品轉化爲向量，將商品的相似度轉化爲向量的距離。屬性相似直接採用了one-hot編碼，而協同過濾利用了矩陣分解。
一天，某個同事突發奇想，如果把用戶的瀏覽記錄當成一段文字，即把商品看成詞語，那就可以語言模型的方法來得到商品的詞向量。
而word2vec算法可以很方便訓練詞向量，於是就把word2vec應用在開頭說的那個場景中。
當時我們都覺得這個想法很好。而且線下試驗時，挑了幾個主商品，用這種方式得到的推薦商品和主商品也是同一類目的。
但經過AB測試，發現效果很差。後來分析發現，對於本身表現不好的主商品，推薦商品的轉化表現也不行。這就必然會影響用戶的轉化，導致這個模塊沒能很好的承接住用戶。
事實上，這並不是說明word2vec算法在計算商品相似度方面效果不好，而是word2vec算法的確能很好的找到相似商品，但這種相似性並不是我們推薦系統中需要的。
詞向量與語言模型對應，訓練了某個語言模型，也就能得到相應的詞向量，反之易可。而語言模型其實是刻畫了句子的合理性。
根據詞向量相似得到的推薦商品，和主商品在整個語言庫(用戶瀏覽行爲)中是處在同一地位的。於是長尾商品必然和長尾商品相似，熱銷商品和熱銷商品更爲相似。
由於熱銷商品出現的概率非常大，可以看做語言中的常用詞，比如自己、中國、社會、認爲、時間。而長尾詞對應收銀臺、哥德巴赫猜想、吾輩等詞。
常用詞和長尾詞的相似度本身就會很低，所以對於長尾商品，word2vec算法得到的推薦商品就不會出現熱銷商品。
基於同樣的理由，在計算類目相似性時也不能使用這種方法。
至於推薦商品和主商品大概率下能保持在同一類目，是由於我們app的特點，導致用戶在某一小段連續的瀏覽行爲中，曝光的商品主要來自同一類目，或者說同一類目的商品連續出現的可能性高。
所以兩個同一類目的商品的地位更爲一致，這就能保證相似商品和主商品類目大概率下是一樣的。
word2vec的這次應用失敗，是因爲我們沒能理解我們真正的目的。回到這個欄位的本質，其實我們實際是要預測用戶點了主商品A之後，點推薦商品B的概率：P(AB)。
即選擇使AB同時出現的概率最大的商品B做爲推薦商品，但詞向量相似性得到的推薦商品C滿足的是與A最相似，顯然有P(AB) >= P(AC)。