模型并行之Embedding表
Embedding在推荐模型中承担着将用户、物品及上下文信息映射为低维稠密向量的核心任务，通过捕捉潜在语义关联和协同过滤信号，为推荐系统提供可计算的特征表达基础。其向量化表征能力不仅解决了高维稀疏数据难以直接建模的问题，更能通过隐式关系挖掘支撑用户兴趣建模和相似度计算，这种稠密向量空间的连续性特征为后续针对不同行为序列、场景维度或兴趣簇的Embedding切片分析提供了可行性，例如基于时间衰减、行为类型或属性聚类的切片方式可进一步细化用户意图的动态表征。
接下来以一个案例为例介绍有关Embedding表的5种切分方式： Table Wise **、Column Wise 、Row Wise 、Table Wise&Row Wise 、网格切分**。（前提 ：假设用户有128个特征，每个特征的Dim是128，注：下图中Devicexx 表示不同的主机或服务器，Rankx****x表示同一个主机上的不同卡）
- Table Wise切分：表示将所有embedding表放置在一个同一个device上的同个Rank上，其余的Rank和Device不放置。
- Row Wise****切分 ：表示将Embedding 表按照key的维度进行切分。注意：：图右方的Device一般指的是不同的服务器，也可根据表的大小与需要进行设置到同一个Device。
-
Column Wise****切分 ：表示将Embedding 表按列（Embedding Dim）切分到不同的Rank上，一个Embedding Dim维度为128均分切到4张卡上变成[0~31， 32~63，64~95，96~127]。也就是每一个Rank分别获取每个特征的{[0， 31]，[32, 63], [64, 95], [96, 127]}。注意 ：图中上方的Device一般指的是不同的服务器，也可根据表的大小与需要进行设置到同一个Device。
-
Table Wise&Row Wise ：组合切分方式，将Table Wise与Row Wise进行结合，其表示将表放置在一个主机上，在该主机上的 rank 之间进行行式拆分。
网格切片：其组合了Table Wise、Row Wise 和Column Wise三种，表示先将Embedding表按照Column Wise切片，然后再将CW 分片后的结果以TWRW方式放置在主机上。
4：数据并行并行之Embedding表：数据并行表示每个Rank中都保留整个表的副本。
