concat之后再输出，在计算结果上，和论文中 sigmoid(y_FM+y_DNN) 单独计算再加和是一样的。

[van19]

我也有此疑问，
按论文中的意思，y_FM= reduce_sum(first_order,1) + reduce_sum(second_order,1)
y_DNN = reduce_sum(y_deep,1)，这个和
concat([first_order, second_order, y_deep]) X weights["concat_projection"])是不等价的吧，毕竟weights["concat_projection"]是不全为1的向量（变量），而且只有wx和DNN最后一层需要乘，second_order的<vi,vj>xixj项不需要乘weight
不知道是不是我理解不对？

concat之后再输出，在计算结果上，和论文中 sigmoid(y_FM+y_DNN) 单独计算再加和是一样的。

我觉得first order乘以feature_bias是多余的。因为embedding的结果与deep、second order拼接最后接一个projection layer，只看feat_value-projection这一块就已经是等价LR <w, x>的形式（论文中的公式2），在前面乘以一个feature_bias又不加非线性激活函数完全没必要。

PS：在gayhub上讨论，是不是还是用英语更合适？

Originally posted by @futureer in #32 (comment)