所谓高维空间的诅咒：在低维空间中是四不像，但随着 Embedding 维度的增加，取平均后的 Item Embedding 会和用户原本的 Embedding 越来越近。所以高维下大概率是“四都像”。
最简单的应用便是：当觉得用户的 User Embedding 不太好时，那可以使用用户最近点击过的 Item Embedding 取平均，从而得到新的 User Embedding。
这个用户的 User Embedding 不太好有多个角度：
- 用户行为太少（冷启、底活），学不好 Embedding；
- 模型产出太慢，User Embedding 学的不够快；
- 模型不太行，捕捉不到用户最近的偏好。
注意：
- Item 和 User 要在同一个隐空间中；
- 可能会太集中于用户短期兴趣，从而产生追打、信息茧房；
最早期有点像 Youtube 2016 年的论文：通过 item embedding 生成 user embedding 的过程。
此外，这里还有一个比较好玩的论文：KDD2020 《PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest》。大概是说：
- 取用户短期点击的 N 条 Item 会导致太集中短期兴趣；
- 考虑用户长期历史的兴趣不会追打，但 Pooling 会损失信息，且可能会导致”四不像“，如下：
其“取长补短”，其思路也很简单：取用户较长时间段内交互过的 Item embedding，聚成若干类，再拿每类的 Embedding 取召回，融合后返回。
至于如何聚类，聚几类，可以去看论文，这里不过多阐述。
