對ID是否進行embedding要看情況，我們來看FM中的一個經典圖：

上面是ID型別的有：UserId，MovieId，上圖中已經對這兩個id進行了one-hot編碼，這樣子帶來的一個問題是：一般UserId可能是千萬級，MoveId是百萬級，那這個時候因為做了one-hot編碼，意味著我們的輸入一個千萬級別的稀疏向量，這個時候如果我們用簡單的lr模型，意味著引數個數就是千萬級別的，但是如果我們先對UserId和MoveId進行embedding，假設轉化為一個50維的向量，則此時再用lr模型話，引數個數才50+50=100，有效的控制了模型複雜度。

下面再從另外一個角度來談embedding作用。上面千萬級別的稀疏向量，其輸入一幫如下：

那此時經過lr後，其實輸出只有：

我們會發現只有偏移w0,以及使用者u和i的權重，模型的表達能力非常低，即我們只用一個維度對使用者進行了表達，此時如果我們先對使用者和物品進行embedding，那使用者和物品的表達就變為了各自一個50維度的向量，此時

此處Euk和Eik是embedding後的向量，我們可以看到模型的表達能力得到了增強，能夠捕捉到的資訊也更多了，所以Embedding的作用就是對模型的表達能力進行增強。

總結下embedding的作用：

降低模型複雜度

提升模型表達能力