Deep crossing

---

前言

deep croosing 是第一个用于把深度学习用于推荐系统的网络。

---

模型主要由 embedding层、stacking 层、Multiple Residual Units 层、Scoring 层组成。

一、embedding 层

该层主要是将高维稀疏的特征进行转化成低维稠密特征。

二、stacking 层

将embedding层的低维稠密特征进行拼接操作

三、Multiple Residual Units 层

Multiple Residual Units 层 通过残差网络将各个维度的特征进行深层次的交叉，从而增加模型的表达能力。

四、Scoring 层

该层主要

推荐系统简介

目前对于推荐系统没有一点点基础，感觉还是先做一个基本的了解，并且顺带着学习一些简单的网络结构吧

一、推荐系统的应用场景[1]

搜索引擎尝试给人推荐信息。最常见的情况有淘宝商品推荐、美团商家推荐、头条新闻推荐、豆瓣电影推荐、抖音快手视频推荐等。现实中商品多种多样，质量也是参差不齐，存在很明显的长尾效应，好的推荐意味着让用户更快的发现感兴趣的商品、事务。推荐系统的目的：推荐系统将从有关您的某种数据开始，以弄清您的个人品味和兴趣。然后，它将有关您的数据与其他所有人（如您）的集体行为进行合并，以推荐您可能喜欢的东西。

二、用户数据收集

2.1 显示的数据

要求用户评分、或者给出赞同或者不赞同意见

2.2 隐示的数据

从用户和站点的交互来判断用户对某商品是否感兴趣

三、推荐系统基本模型

3.1 基于内容过滤

3.2 协同过滤

四、推荐系统的基本架构

4.1 候选人产生

4.2 计分

4.3 重排名

推荐的基本流程包含：数据预处理、模型训练、调参、后处理、评估
[1]: https://zhuanlan.zhihu.com/p/146969346