1、改变神经网络复杂程度:Deep Crossing(深度特征交叉)
Deep&Crossing模型--------源于2014年-------微软
模型在其内部网络中解决的问题:
1、离散型特征编码过于稀疏,不利于网络的训练
2、特征自动交叉组合的问题
3、输出层中达到问题设定的优化目标
模型的网络结构图:
模型结构共计四层,
**
Embedding层:
**作用使其将稀疏的类别特征转换为稠密的Embedding向量
Stacking层:
作用是把不同的Embedding特征和数值型特征拼接在一起,形成新的办好全部特征的特征向量,该层通常也被称为连接层
Multiple Residual Untits层:
通过多层残差网络对特征向量各个维度进行充分的交叉组合,使模型能够抓住到更多的非线性特征和组合特征的信息,进而使深度学习模型在表达上较为传统机器学习模型大为增强,