DCN-V2

背景

DCN-m的整体思路和原理与DCN-v基本一致，由DNN和特征交叉两部分构成。它的关键在于对特征交叉的改进，通过在特征交叉层引入matrix形式的参数，使特征交叉层中的feature map可以进行差异化线性组合，从而提高对交叉特征的学习能力。

 

原理

cross net对比

DCN-v2 中的 cross network

对比dcn-v和dcn-m和可以发现，dcn-v中不同行的权重是相同的，不同行无法引入差异化的特征组合。dcn-m中不同行的权重是不同的，不同行可以引入差异化的特征组合 

Deep and Cross Combination

 

计算优化

为了减少计算量，可以对上面的矩阵进行分解

 

 

参考资料

https://blog.csdn.net/qq_37640597/article/details/109196949

https://zhuanlan.zhihu.com/p/598886667