引言
这篇工作的着眼点是在特征交叉方面,提出了一个乘积层(product layer) 来对多个领域(field) 的特征进行充分的特征交叉。其中,product layer包含两种形式,分别是内积形式(inner product)和外积形式(outer product)。
整体的模型结构
上图是PNN的整体模型架构,这里简单介绍一下。
I n p u t Input Input是经过one-hot编码的稀疏向量,经过 E m b e d d i n g Embedding Embedding层生成稠密的特征向量矩阵 x x x。 x [ s t a r t i : e n d i ] x[start_i:end_i] x[starti:endi]表示第 i i i个 f i e l d field field的特征向量。
在 P r o d u c t L a y e r Product\,Layer ProductLayer中,包含 z z z和 p p p两部分, z z z是由 " 1 " "1" "1"信号和某个 f i e l d field field的特征组合而成,其实表示的是原始特征的恒等映射:
z = ( z 1 , z 2 , . . . , z N ) = ( f 1 , f 2 , . . . , f N ) z = (z_1,z_2,...,z_N) = (f_1,f_2,...,f_N) z=(z1,z2,...,zN)=(f1,f2,...,fN)
p p p是由任意两个 f i e l d field field的特征交叉而成:
p = { p i , j } , i = 1... N , j = 1.. N p i , j = g ( f i , f j ) p = \left\{p_{i,j}\right\},i=1...N,j=1..N\\ p_{i,j} = g(f_i,f_j) p={
pi,j},i=1...N,j=1..Npi,j=g(fi,fj)
对于内积操作, g ( f i , f j ) = < f i , f j