embedding模型是一种将数据映射到低维空间的模型，常用于自然语言处理、推荐系统、图像识别等领域。以下是一些常见的embedding模型：

Word2Vec：

CBOW（Continuous Bag-of-Words）：通过上下文预测中心词。

Skip-Gram：通过中心词预测上下文。

GloVe（Global Vectors for Word Representation）：结合了词频统计和Word2Vec的优点，通过全局词频信息学习词向量。

FastText：

利用子词信息，通过字符级别的n-gram来表示词。

BERT（Bidirectional Encoder Representations from Transformers）：

利用Transformer的双向编码器，通过预训练来学习语言表示。

Transformer：通过自注意力机制来学习序列数据的深层次表示。

ELMO（Embeddings from Language Models）：结合了浅层双向LSTM和预训练的词向量。

Sentence-BERT（SBERT）：为句子生成embedding，可以用于计算句子之间的相似度。

Doc2Vec：扩展了Word2Vec，可以生成文档级别的向量。

Item2Vec：类似于Word2Vec，但是用于推荐系统中的项目（item）。

Node2Vec：