摘要：
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 阅读全文
摘要：
背景 特征交叉最早是基于 LR方法，通过人工设计交叉项作为LR的输入，这种方法原理简单，可解释性强，但对人工经验依赖强，且推荐场景的特征高维稀疏，导致LR难以学好稀疏特征的交叉性。 基于FM的方法通过引入隐向量的方式，不同交叉项之间可以共享隐向量，从而解决了LR中稀疏特征交叉项难学的问题，同时也可以 阅读全文