随着电子商务的飞速发展,为了实现对消费者需求的快速响应,越来越多的电商企业通过多仓分布实现分区域就近发货、就近配送,从而将供应链上流动的库存尽可能靠近消费者。然而,在多仓分布的背景下,不合理的商品分仓决策可能导致大量订单被拆分配送,这不仅给消费者带来了不便,还为企业增加了额外的运营成本。为了得到合理的商品分仓结果,一个自然的想法就是尽可能将同一个订单中的商品放进同一个仓库。基于此,现有的研究着力于挖掘订单数据中的高频商品组合,进而为商品分仓决策提供支持。然而,需要指出的是,在电商应用背景下,重点关注高频商品这一策略已难以为继:一方面,消费者的个性化需求使得商品分布的长尾效应愈发凸显;另一方面,庞大规模的商品品类驱使研究者从全局的角度来优化商品分仓决策。本文提出了一类基于嵌入表示（将商品的共现信息在一个向量空间中表示）的商品分仓优化算法模型:首先,用超图来组织订单数据,将订单中的商品视为超图中的节点,超图中的超边则反映了商品在订单中的共现关系。其次,在超图表示下,进一步的证明了商品分仓优化问题与超图割问题的等价性。受此启发,对超图作谱图分解,获得对各商品的嵌入表示。最后,在得到蕴含商品关联信息的嵌入表示之后,进一步的将定义在离散空间中的商品分仓问题转换到连续的嵌入空间中求解。以商品的嵌入表示作为输入,考虑商品分仓优化模型的约束条件,本文提出了一个带上下簇限制的约束聚类算法,并利用该算法生成商品分仓的结果。本文对所提出的商品分仓优化模型进行了全面的模拟评估。本文使用主题模型LDA（Latent Dirichlet Allocation）来模拟生成订单,在不同的参数设置下,生成了四种不同分布的订单数据。基于这些订单数据,将本文提出的模型与当前流行的模型所得出的商品分仓结果进行对比。实验结果显示,相对于其他模型,本文所提出的基于嵌入表示的商品分仓优化模型有显著的优势,在不同数据集上均获得了最低的拆单配送率。