Google 的研究者们在最新的一篇论文《Neural Input Search for Large Scale Recommendation Models》中提出了 NIS 技术（Neural Input Search），可以自动学习大规模深度推荐模型中每个类别特征最优化的词典大小以及嵌入向量维度大小。目的就是为了在节省性能的同时尽可能地最大化深度模型的效果。他们发现传统的 Single-size Embedding 方式（所有特征值共享同样的嵌入向量维度）其实并不能够让模型充分学习训练数据。因此与之对应地，提出了 Multi-size Embedding 方式让不同的特征值可以拥有不同的嵌入向量维度。