（12）工业界推荐系统-小红书推荐场景及内部实践【交叉结构】

（1）工业界推荐系统-小红书推荐场景及内部实践【业务指标、链路、ItemCF】
（2）工业界推荐系统-小红书推荐场景及内部实践【UserCF、离线特征处理】
（3）工业界推荐系统-小红书推荐场景及内部实践【矩阵补充、双塔模型】
（4）工业界推荐系统-小红书推荐场景及内部实践【正负样本选择】
（5）工业界推荐系统-小红书推荐场景及内部实践【线上召回和模型更新】
（6）工业界推荐系统-小红书推荐场景及内部实践【其他召回通道】
（7）工业界推荐系统-小红书推荐场景及内部实践【冷启动问题1】
（8）工业界推荐系统-小红书推荐场景及内部实践【冷启动问题2】
（9）工业界推荐系统-小红书推荐场景及内部实践【排序模型】
（10）工业界推荐系统-小红书推荐场景及内部实践【排序模型的特征】
（11）工业界推荐系统-小红书推荐场景及内部实践【粗排三塔模型】

推荐系统链路

Factorized Machine

线性模型

二阶交叉特征

参考论文：Factorization Machines

深度交叉网络(DCN)

交叉层

交叉网络 (Cross Network)

参考论文：DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems

LHUC网络（Learning Hidden Unit Contributions）

交叉网络应用在shared bottom部分。

• LHUC 起源于语音识别 [1]。
• 快手将 LHUC 应用在推荐精排 [2]，称作 PPNet。
  
  这里的神经网络结构为：[多个全连接层] --> [Sigmoid 乘以2]，这样输出向量元素值介于[0, 2]之间，和语音引号做哈达玛乘积后，起到部分信号放大、部分信号缩小的作用。

推荐系统排序模型中的应用方法：将语音信号替换为物品特征，说话者的特征替换为用户特征即可。

1. Learning Hidden Unit Contributions for Unsupervised Acoustic Model Adaptation
2. 快手落地万亿参数推荐精排模型

SENet & Bilinear Cross

Squeeze-and-Excitation Networks

SENet

当然离散特征Embedding 向量维度也可以不同，如下：

• SENet 对离散特征做 field-wise 加权。
• Field:
  • 用户 ID Embedding 是 64 维向量。
  • 64 个元素算一个 field，获得相同的权重。
• 如果有 𝑚 个 fields，那么权重向量是 𝑚 维。

Field 间特征交叉

Bilinear Cross(內积)

Bilinear Cross(哈达玛乘积)

FiBiNet

FiBiNET: Combining Feature Importance and Bilinear feature Interaction for Click-Through Rate Prediction