摘要：
DeepFM主要解决了Wide & Deep的以下几个痛点： wide部分特征自动交叉。Wide & Deep中的wide部分需要手工做特征工程，DeepFM向wide部分引入FM模块，使wide部分能够自动组合二阶交叉特征，可以实现端到端的训练。 算法 如图，整个网络可以看作三个部分：一阶部分+二 阅读全文
摘要：
Wide & Deep主要解决了FM的以下几个痛点： 强化记忆能力。FM这类embedding类模型拥有强大的泛化能力，在embedding的过程中传入了大量的全局信息，对于一些很少出现甚至没有出现过的特征组合，也能计算出合理的特征组合权重。但是，当共现矩阵过于稀疏时，模型会过分泛化，推荐出很多相关 阅读全文
摘要：
特征域感知因子分解机（Field-aware Factorization Machines，FFM）主要解决了FM的以下几个痛点： 更准确的特征embedding表达。FM中，每个特征只由一个embedding向量表达，这样虽然能增强模型的泛化性能，但是也大大削弱了模型的记忆能力。FFM在POLY_ 阅读全文
摘要：
因子分解机（Factorization Machines，FM）主要解决了LR的以下几个痛点： 实现自动特征交叉。LR只能只能手工设计特征之间的交叉，依赖大量人力与业务知识，并且无法挖掘业务构建特征的盲点； 在稀疏特征上的效果更好。对LR进行暴力二阶特征交叉也能实现特征自动交叉的效果（如POLY_v 阅读全文
摘要：
逻辑回归（Logistic Regression，LR）在推荐系统发展历史中占非常重要的地位。其优势主要体现在三个方面： 数学含义的支撑：LR是一个广义线性模型（可以简单理解为加了激活函数的线性模型），其假设为因变量服从伯努利分布，而CTR事件可以类比为掷偏心硬币的问题，所以使用LR作为CTR预估模 阅读全文