FFM代码问题请教

[WinDYLi-H]

在求教二阶交叉信息的时候，embedding_lookup之后应该是一个batch,filed_num,field_num,k的矩阵， 后面做交叉之前为什么要做这一步的reduce_sum latent_vector = tf.reduce_sum(tf.nn.embedding_lookup(self.v, inputs), axis=1)

我理解的代码应该是这样的：

latent_vector = tf.nn.embedding_lookup(self.v, inputs) # (batch_size, field_num, field_num, k)
for i in range(self.field_num):
    for j in range(i+1, self.field_num):
        second_order += tf.reduce_sum(latent_vector[:, i, j] * latent_vector[:, j, i], axis=1, keepdims=True)

[SaiLoong]

我也有这样的疑惑，我一开始以为是经优化过后的公式，但是好像推不出来，而且我测试了两种结果并不一致

[liupandatacs]

这个代码我理解是不同特征相同领域向量相加，然后再进行不同领域之间交叉，和公式上的不太一样呢

[TangJiakai]

在求教二阶交叉信息的时候，embedding_lookup之后应该是一个batch,filed_num,field_num,k的矩阵， 后面做交叉之前为什么要做这一步的reduce_sum latent_vector = tf.reduce_sum(tf.nn.embedding_lookup(self.v, inputs), axis=1)

我理解的代码应该是这样的：

latent_vector = tf.nn.embedding_lookup(self.v, inputs) # (batch_size, field_num, field_num, k)
for i in range(self.field_num):
    for j in range(i+1, self.field_num):
        second_order += tf.reduce_sum(latent_vector[:, i, j] * latent_vector[:, j, i], axis=1, keepdims=True)

我也是这里感觉不是很好理解，我看过其他代码实现：首先将每个feat映射到filed（但是这里作者应该是简化了，一个feat就当作是一个filed了），然后循环应该是按照feat走，而不是按照filed，实际取的时候需要注意到对方feat所在filed，然后对应取embedding。包括你写的和作者的循环都是以range(self.filed_num)走的，所以似乎都不太对。