作者回复: 是这样，原FM中内积作为权重，然后还要乘以特征本身的值。 但在DeepFM中，所有的参与交叉的特征都先转换成了embedding，而且由于是one-hot，所以特征的值就是1，参不参与交叉都无所谓。所以直接使用embedding的内积作为交叉后的值就可以了。 至于数值型特征的问题在于，如何把他们转换成embedding向量，我觉得分桶后加embedding层是一个方法，但其实分桶后加embedding层也是不用加原特征值的，因为分桶后的结果还是一个one-hot向量。

作者回复: 加操作是不进行特征交叉，直接把原先的特征接入输出层，相当于wide&deep模型中的wide层。

作者回复: 这两个想法都没有问题，其实深度学习中没有什么不可以的，有的只是提出思路，改进模型，和验证效果。 把点积和元素积在一起使用，交给模型自动学习权重当然也是可行的。 除此之外，还有元素减，外积等交叉操作，除此之外还有一些自定义的复杂交叉操作，比如google cross&deep模型中自定义的一些cross操作。

作者回复: 元素积不求和，对位操作后生成一个向量。

作者回复: 几乎不可以。如果一定要做的话，也要在不同embedding层上再加上一层fc layer或者embedding layer，把他们变成一致的，然后交叉。

作者回复: 这些确实都可以，但针对性不强，还是一些专门针对两个embedding特征交叉设计的操作效果好一些。比如我们提到的dot product, element-wise product 和element-wise minus. outer product等等。

作者回复: 一般是通过人工经验进行一些预处理。当然，预处理层也可以看作深度学习模型的一部分，需要一些人工的尝试。

作者回复: 代码中只是一个例子，仅供参考，具体哪种效果好当然是靠自己探索。 你的思路很对，一般来说物品侧和用户侧的特征交叉的作用更大，在实际应用中，还是最好有一些手动调参，和先验知识会更好一些。

作者回复: 1. 不一定，也有大量公司采用单机多卡的形式训练。如果是分布式的环境，改变会比较大，需要深入研究parameter server相关的配置和实践，属于非常偏工程前沿的内容了，需要大家自己去踩坑填坑。 2. 这个问题不用我回答，你自己estimate一下就可以了，redis的容量有多大，你的数据量有多大。然后做一个poc去先插入少量数据看一下实际的内存使用量就可以了。 如果redis容量不够怎么办，参考之前存储模块的那讲。