契机
进一步完善wide&deep的wide侧提取特征的方式,而且在计算score过程中加入更多参数,从而进一步提升效果。
模型结构
cross
下图红框中的模块为cross的具体操作流程,较为复杂。
![](https://i-blog.csdnimg.cn/blog_migrate/39ef5c19ca5d1cb619b325e33c7db7ab.png#pic_center)
cross的具体操作细节如下图所示,可以看出多层的 x 0 ∗ x ′ x_0*x' x0∗x′实现了高阶特征交叉,因为第一层相乘就可以得到二阶交叉特征( ( N ∗ 1 ) × ( 1 ∗ N ) = N ∗ N (N*1) \times (1*N)=N*N (N∗1)×(1∗N)=N∗N),第二层相乘可以得到三阶交叉特征…
![](https://i-blog.csdnimg.cn/blog_migrate/e8f03e2dc1a84cade5218a648043aa95.png#pic_center)
deep
下图红框中的模块为deep的具体操作流程,较为简单,这里不再赘述。
![](https://i-blog.csdnimg.cn/blog_migrate/c5d9d82e563b25817c7b772ccd8361a5.png#pic_center)
总体结构
![](https://i-blog.csdnimg.cn/blog_migrate/122bc7c3ebb7567637f77fd3ad1bb7d0.png#pic_center)
可以看出,文章把cross层和deep层的输入concatenate到一起,再进行一次加权求和+sigmoid得到最终的输出结构。
核心思想
引入更高阶的wide侧交叉特征,从而实现效果的提升,整个思路和deepFM较为相似。