向量外积为什么可以用于特征交叉？

1、前面的碎碎念:)

1.1 线性代数–Outer Product

首先说明一点(敲黑板)，机器学习所谓的外积指的是 线性代数 中的外积( WikiPedia: Outer Product )，中文称为张量积 ，计算如下：

1.2 解析几何–Exterior Algebra/Cross Product

百度搜索向量外积，一般展示的是 解析几何 中的Exterior Product( WikiPedia: Exterior Algebra )，又叫叉乘( WikiPedia: Cross Product )，即两个向量的法向量，计算如下：

2、可能导致读者误导的原因？

1、中文翻译问题。
2、博客出品者似是而非误导，或者不知道读者不知道。
3、没捋清楚自己所在Field是线性代数or解析几何。

3、在机器学习领域有哪些典型应用？

机器学习领域外积默认为Outer Product，就当约定俗称吧。
DCN特征交叉

参考：

1、DCN
2、外积

番外篇

内积在机器学习领域有哪些典型应用？

1、计算相似度

答：内积的定义为a向量在b向量上面的投影，可以理解为是投影强度指标。

2、在没有归一化的前提下，向量内积为何能够体现相似性？

答：余弦相似度度量的是夹角大小，两者只是不同的度量维度，视情况使用即可。
引自知乎：在没有归一化的前提下，向量内积为何能够体现相似性？