一、难点一
右侧的公式是从底往上看
两个mean-pooling很简单，假设形成64维的向量 Ec1 Ei1，相乘得到Ef1，也是64维向量，这里的vanilla-attention（推荐搜索的冷启动问题_1066196847的博客-CSDN博客）
vanilla-attention的重点是，Query由decoder输出，也就相当于这里的Ef1，K V由encoder输入，从Ec2 Ei2公式中看都是C或者都是I，用C来举例，那么就都是content sequence的每个item，先和Ef1来计算attention-score再作用到自身（相乘）得到加权向量（多半也是64维向量）
最后Ec2 Ei2相乘，再和Ef1相加，得到输出
二、上面的架构有两个缺点
1：商品item序列、内容item序列 同权重进行融合
2：item序列中没有对商品赋予不同的权重
三、改进
1：先解决 二.2 问题
其中 T是Contextual embedding由如下特征的embedding组合而成，包括新用户标识特征、用户场景活跃统计特征、实时Top5商品类目偏好和实时Top5内容类目偏好特征。总结就是 用户兴趣融合的向量，用这个向量作为vanilla-attention的query再合适不过了，计算和每个item的attention-score，能够筛选出用户的兴趣来。
原始文章中有几个公式感觉写的有问题
首先从改进的图中看，Ei2 Ec2没变，还是两个vanilla-attention的结果
上面公式中Gate(x)讲的是个公式，g=Gate()这个有问题，应该是g=Gate(Concat(Ei2,T,Ec2))得到一个“权重”，然后和 1-g 就是分别代表 Ei2 Ec2 的权重，所以Ef2也错误，应该是
Ef2=g*Ei2 + (1-g)*Ec2，也就是在解决上面的 二.1 问题。最后再是concat得到F