第 138 题：FwFM的场感知权重，二阶交互的场间差异建模？
题目
FwFM的场感知权重，二阶交互的场间差异建模？
完整讲解
一、FM 与场（Field）
Field 指特征所属的语义组（如 user_id、item_id、category、position 各为一 field）。标准 FM 的二阶项 $\langle \boldsymbol{v}_i, \boldsymbol{v}_j \rangle$ 不区分 $(i,j)$ 来自哪两个 field，所有特征对共用同一套隐向量空间。实际上不同 field 对之间的交互强度与模式可能不同（如 user×item 与 position×category 应有不同权重），场感知即对「场对」建模差异。
二、FwFM 的场感知权重
FwFM（Field-weighted FM） 为每对 field $(f_i, f_j)$ 引入标量权重 $w_{f_i, f_j}$，二阶项写为
\(y_{\text{FwFM}} = \sum_{i<j} w_{f_i, f_j} \cdot \langle \boldsymbol{v}_i, \boldsymbol{v}_j \rangle x_i x_j.\)
即先算 FM 的 $\langle \boldsymbol{v}i, \boldsymbol{v}_j \rangle$，再乘上场对权重 $w{f_i, f_j}$。不同 field 对（user-item、item-category、position-item 等）有不同的 $w$，可学到「哪类场间交互更重要」，实现场间差异建模。
三、参数量与实现
- 若有 $F$ 个 field，场对数为 $F(F-1)/2$，即 $w$ 共 $O(F^2)$ 个标量，通常 $F$ 不大（十到几十），参数量可接受。
- 与 FM 对比：FM 仅靠 $\boldsymbol{v}$ 隐式区分；FwFM 显式给场对加权，可解释（可看哪对 field 权重大）、且对「场间重要性」建模更直接。
- 与 FFM（Field-aware FM）区别：FFM 是每个特征在不同 field 下有不同隐向量（$v_{i,f_j}$），参数量 $O(n \cdot F \cdot k)$；FwFM 仍是每特征一个 $\boldsymbol{v}i$，只加场对标量 $w{f_i,f_j}$，更省参数、实现更简单。
四、工程要点
- 实现时按 field 对索引 $w$，前向时根据 $i,j$ 的 field 取对应 $w_{f_i,f_j}$ 乘到 FM 二阶项上即可。
- 可与 Deep 结合为 FwFM + DNN，共享嵌入；$w$ 可加 L2 或稀疏约束避免过拟合。
面试要点
- 能写出 FwFM 的二阶形式 $w_{f_i,f_j} \cdot \langle \boldsymbol{v}_i, \boldsymbol{v}_j \rangle$ 及场对权重的含义。
- 能说明与 FM 的对比（FM 不区分场对、FwFM 显式场对权重）；与 FFM 的对比（FFM 多套隐向量、FwFM 只加标量）。
- 能说清参数量 $O(F^2)$、可解释性与实现要点。
记忆要点
- FwFM：二阶项乘场对权重 $w_{f_i,f_j}$，场间差异显式建模；参数量 $O(F^2)$。
- FM 不区分场对；FFM 每特征多套隐向量；FwFM 单隐向量+场对标量，更省参。
- 可解释：看哪对 field 权重大；可与 DNN 结合。