在点击率预估任务中，原始数据集 大概是这种情况
点击性别地区频道1男天津相声0女甘肃体育1女云南电视剧将字符串输入到模型中肯定是不现实的，因此对类别型属性做 one-hot 处理
点击性别=男性别=女地区=天津地区=甘肃地区=云南频道=相声频道=体育频道=电视剧110100100101010010101001101这将会把数据集变得异常稀疏且庞大， 在某次任务中，在前一万条数据中，300维的原始数据就被扩充到将近10万维， 整理完300万条数据会发现扩充到了近120万维
线性回归 逻辑回归
这种传统而简单粗暴的方式简单实用，并且在很多生产环境中，确实就是这么做的， 但是这种模型只考虑了但一向特征自身对结果的影响性（权重*特征值求和），而 忽略了特征组合 对结果的影响
比如 < 地区=天津，频道=相声 > 或者 < 性别=女，频道=电视剧 > 等组合
既然 LR 们对特征的态度都是单打独斗性质的，那让特征两两组合手牵手不就考虑了特征组合因素了吗 在大部分数据中，两个特征值的乘积往往是0（两个特征都是1才会被学习到）， 这就导致 Wij 这个权重项在大多数训练中都是无效的，没有被学习到， 因此这个模型 泛化能力差 （在生产环境下遇到xi * xj = 1 时就懵了）
弃用 SVM 的原因就是因为无法有效学习特征组合的权重，因为这个权重在训练的时候被太多的双0样本屏蔽掉了，因此就要选择方法去攻克这一问题 （下面公式推导在附录1） 根据数学性质运算将二次项再次化简 也就是说，现在我们只要训练向量 v 即可完成学习，并且只要 xi 不为0就可以有效学习（之前可是xi，xj都为1才是有效训练）
神将网络模型可以你和任意曲线，随着训练平台的普及以及算力的不断增强，将神经网络模型与FM模型结合效率将会大大提升 在这里我们引入Field 这个概念
所谓 Field 即特征大类，比如：用户开的车型，用户性别，用户喜欢的明星，用户性别等
而用户性别=男 作为 one hot 之后的 feature，即特征
要知道，Field之间做降维是无意义的，再或者说v应该只与本 Field 内的特征相关，v也叫做Field 的 embedding向量
在 embedding 之后 无论Field 被 onehot 到多少维，最终都会以一个 k维的向量进行表示 embedding 本质上是个全连接的网络
如网络模型图所示，在得到向量v 之后，就可以进行 FM 模型的学习，是 0次项，1次项，2次项的求和，是一个数值
embedding之后还会传入 隐藏层，进行神经网络（DNN）的训练，最终输出的神经元只有一个，即也是分数值
最后将 FM 模型结果，与DNN的数值求和，通过sigmoid函数激活，得到最后预测值
从公式 到公式
https://www.jianshu.com/p/e7b2d53ec42b https://www.codercto.com/a/69752.html
