词向量的商品推荐算法，用起来还挺顺手的，尤其是你要做个推荐系统时，直接用 Python 搭一套 embedding 模型就能跑起来。训练语料用得好，效果还真不差。
embedding 的计算逻辑其实不复杂，就是把文本或者商品标签转成向量，做个余弦相似度匹配，谁离得近就推荐谁。跟 word2vec 那套思想差不多，熟悉 NLP 的你肯定上手快。
像我之前做电商类项目时，就用这种方式搭了个基于标题词向量的推荐系统。响应也快，代码也简单，维护起来也方便。你要是想试试看，建议从小规模文本数据开始练练手，数据干净、结果也直观。
相关的资料我也挑了几个，像Spark MLlib 的 ALS 算法实战，还有关键词提取和50 页推荐算法手册，都挺实用。哦对了，词云可视化也可以帮你看看词分布，调模型时有点参考意义。
如果你平时也玩 Spark 或 Hadoop，可以顺手看看这个电影推荐系统，算是个综合实践，思路通用。这个 embedding 推荐法挺适合你试着在项目里落地一下。
哦对，记得调 embedding 维度，太高反而不好，32 或 64 足够应付大多数需求。