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