update readme

docs/README.md

@@ -40,6 +40,7 @@
     - TDM
 
 #### 经典排序模型
+- **GBDT+LR**
 - **特征交叉**
     - FM
     - PNN
@@ -208,7 +209,6 @@
 <img src="https://raw.githubusercontent.com/datawhalechina/pumpkin-book/master/res/qrcode.jpeg" width = "180" height = "180">
 </div>
 
-
 ## LICENSE
 <a rel="license" href="http://creativecommons.org/licenses/by-nc-sa/4.0/"><img alt="知识共享许可协议" style="border-width:0" src="https://img.shields.io/badge/license-CC%20BY--NC--SA%204.0-lightgrey" /></a>
 本作品采用<a rel="license" href="http://creativecommons.org/licenses/by-nc-sa/4.0/">知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议</a>进行许可。

docs/第一章 推荐系统基础/1.2 深度推荐模型/1.2.3 PNN.md

@@ -195,7 +195,8 @@ class ProductLayer(Layer):
             for i in range(self.units):
                 # 相当于给每一个特征向量都乘以一个权重
                 # self.inner_w[i] : (embed_dims, ) 添加一个维度变成 (embed_dims, 1)
-                delta = tf.multiply(concat_embed, tf.expand_dims(self.inner_w[i], axis=1)) # B x feat_nums x embed_dims
+                # concat_embed: B x feat_nums x embed_dims; delta = B x feat_nums x embed_dims
+                delta = tf.multiply(concat_embed, tf.expand_dims(self.inner_w[i], axis=1)) 
                 # 在特征之间的维度上求和
                 delta = tf.reduce_sum(delta, axis=1) # B x embed_dims
                 # 最终在特征embedding维度上求二范数得到p