DeepFM 中参数的理解

 上图为Sparse Feature 层到 Dense Embedding 层的神经元连接示意图。

1、每个圆点代表一个神经元，神经元本身是没有数值的，我们需要知道的是Sparse Feature 到 Embedding 层之间连线的权重，这个权重就是所谓的Embedding Vector。

2、一共有m个field，每个field对应k个嵌入维数，所以嵌入层神经元的个数为m*k。

3、Embedding Vector的确定：

      在FM里得到的隐变量Vik现在作为了嵌入层网络的权重。假设我们的k=5，首先，对于输入的一条记录，同一个field 只有一个位置是1，那么在由输入得到embedding vector的过程中，输入层只有一个神经元起作用，得到的embedding vector其实就是输入层到embedding层该神经元相连的五条线的权重，即vi1，vi2，vi3，vi4，vi5。这五个值组合起来就是我们在FM中所提到的Vi。在FM部分和DNN部分，这一块是共享权重的，对同一个特征来说，得到的Vi是相同的。

     一共有m 个field ，所以得到的embedding vector 是 m*k 的矩阵。(这里是错的，正确的是一共有N个特征，得到N*k的矩阵，因为即便是特征的值为0，但是它依然参与了计算。样本1的第一个特征为0，但是样本2的第一个特征就为1了)

  2019-4-29 修正：看实现的代码，这里，就是m*k 。 N个特征作用在<w,x>这里的 w [1,N]。m个field作用在嵌入层。

      field 经过one-hot 编码之后，假设field编码之后的长度为n, 对应的input layer 只有一个位置是1，其余n-1位置是0。