용산피부관리 새로운 임베딩 시스템은 다음과 같이 만들어졌다. 많은 아이템의 집합이 여기 있다. 먼저, 각 아이템에게 하나의 벡터 임베딩을 부여한다. 의미상으로 유사한 아이템끼리는 벡터가 가깝고, 유사하지 않은 아이템끼리는 멀도록 임베딩을 잘 선택한다. 용산에스테틱 또한 두 아이템 간의 유사도를 설명하는 ‘유사도 측정값’을 써야 된다. 우리는 두 벡터의 내적(內積)(dot product)을 유사도 측정값으로 선택하며, 이 값이 클수록 두 아이템은 유사하다. 이제 넷플릭스 같은 영화 OTT에 추천 시스템을 보자. 아이템은 영화라 하고, 사용자는 시청자라 부르기로 한다. 유사한 시청자들은 유사한 영화를 좋아한다는 점을 이용하기 위해, 유사한 시청자들을 서로 근처에 가도록 몰아 놓고, 또 유사한 영화를 그들끼리 몰아 놓아야 한다. 이를 임베딩으로 한다. 먼저, 영화 집합에 그리고 시청자의 집합에 임베딩을 적용한다. 따라서 각 시청자는 자기 임베딩을 가지고, 각 아이템도 자기 임베딩을 가지고 있다. 흥미롭게도, 여기서 시청자와 영화는 같은 벡터 공간을 사용한다. 예를 들어, 시청자의 임베딩은 그가 어떤 속성의 영화를 선호하느냐로 정한다. 시청자의 임베딩을 (모험, 로맨스, 대규모 제작, 유명 배우 출현, 유명 여배우 출현, 외국어, 할리우드 스타일, …)이라 가정하자. 사실 실제 임베딩은 이렇게 요소별로 명확한 속성을 가지는 게 아니지만 설명을 위해 이리 가정한다