Embedding 是现代推荐系统的基础组件，把用户、物品映射到低维稠密向量。维度选择直接影响效果、内存和推理速度。
维度太小表达能力不足，物品难以区分；维度太大参数爆炸，训练易过拟合，存储和检索成本也高。常见取值在 32 到 256 之间，需按数据规模调整。
经验法则是物品数量和交互量越大，可用维度越高。但收益递减明显，从 64 升到 128 可能有提升，从 256 升到 512 往往微乎其微。
可以用消融实验确定维度：固定其他条件，逐步增加维度观察验证指标，找到收益拐点。同时监控训练时间和内存占用。
还要注意 embedding 的初始化、正则和更新频率。稀疏物品的 embedding 更新不足，可用内容特征初始化或做维度共享来缓解冷启动问题。
