基于深度学习的推荐模型--PNN

NacureCF只考虑到了用户和物品两种向量的整体交叉，但是如果说我想让特征交叉变的更加多样那我们要怎么做呢，比如我想让用户的单独属性和物品的单独属性交叉，那么PNN模型就为我们提供了方法，同时PNN模型也丰富了它特征交互的方式，即有线性部分也有乘积部分。

embedding层中是对对每一个离散稀疏的Field特征域进行Embedding操作，让原本的向量乘以embedding矩阵，embedding矩阵参数是通过神经网络的反向传播进行学习。

这个模型的重点就是它的Product层

首先， 这一层的输入是N NN个特征域的embedding向量， F e a t u r e 1 , . . . . F e a t u r e N Feature 1, ....Feature NFeature1,....FeatureN， 这一层的输出会是l_z , l_p然后将两者横向拼接起来

 先看Lz部分

 

 其实很简单我们看下面的图

f1到fn为经过embedding层的向量，每一个向量有m维

然后每个lz神经元中都会为它们每一个参数匹配一个权重w，然后再将它们相加。

之后我们来看LP部分

LP分为inner和outer两种模式

我们先来看inner模式

 这是公式，乍一看比较难理解

我们看简单理解

 其实和lz部分唯一的不同就是在输入的地方对embedding过的向量进行两两相乘做内积后再进行喂入

然后我们来看outer部分

outer部分和上面其实差不多，但它在这里做的是外积

 这里注意的是这里的p其实是一个三维矩阵了

然后每一个神经元里面的参数就都变成了一个矩阵了