接上回书（http://blog.sina.com.cn/s/blog_593af2a70101endk.html）

压缩表示究竟有什么用呢？错综复杂的object背后本质的东西究竟是什么？剥去浮华，留下本质。最本质的区别才是真正的区别，因此压缩之后再计算距离，更具有解释性。

今天再举一个例子。假定有13个用户，最多能打4个标签，不同的标签有11个，用户1，打了标签1,2,3,4，余不举例见下图：

现在我们想知道哪些用户是一伙的，这个例子很简单，很容易看出，但机器怎么量化呢？那就用上回书说的Antoencoder，用2个神经元做压缩，进过计算得到如上图的压缩表示，比如用户1可以表示为<0.32,1.00>我们有了这个表示后，可以很容易计算用户间的关系（用欧氏距离），比如用户1可以看出和用户2和用户3的距离分别是0.15和0.18，比较近，而事实上从标签上也比较近似。

现在问题来了，如果想知道那些标签是一伙的，那就把上面的结构变一变

变成   

        用户a  用户b  用户c....

标签1     1      4     11

标签2    ... 

标签3    ...

标签4

把用户看做是特征，做压缩表示，然后就知道标签之间的距离了。是不是很有意思呢，下回再说计算的优化考虑，怎么能快速计算。