多任务建模之PPNet

PPNet的网络结构由基础的DNN结构和Gate NN结构组层。两种结构的融合方式是LHUC（Learning Hidden Unit Contributions）结构。像快手、字节等公司的推荐模型都是用了该结构。

所以，学习PPNet之前，必须先清楚LHUC结构。简单讲，就是将重要的一些bias特征embedding，作为其他所有特征的"gate"——即特征的重要性embedding，和特征原始embedding 做hadamard 积，生成加权后的embedding，后面就是mlp层。详细可以看下大佬的这篇文章先入为主：将先验知识注入推荐模型 - 知乎，写得非常清楚。

---

---

 了解LHUC结构后，就比较容易能理解PPNet（Parameter Personalized Net）结构。将LHUC的结构应用到每一层网络结构（embedding层和mlp层）。其中Gate NN 是一层relu，一层sigmoid（为什么是sigmoid，因为是当作特征重要性是用）。所有层的Gate NN的输入都是bias embedding和其他所有特征的embedding。不同的是，因为需要做hadamard 积，所以，每一层Gate NN的输出维度是和左侧对应层的维度一致。具体的训练过程，以下几点需要注意：

• 除bias embedding外，其他所有embedding特征，即绿色框的embedding，其梯度更新不受Gate NN的反转梯度更新。其参数只会受左侧塔（橘色的）的反向梯度更新。
• Gate NN是一个2层神经网络，其中第二层网络的激活函数是2 * sigmoid，目的是约束其输出的每一项在[0, 2]范围内，并且默认值为1。当Gate NN输出是默认值时，PPNet同左侧部分网络是等价的。
• 左侧塔是辅助网络，个人理解主要是学习embedding，右侧塔是最终上线serving的塔。

 技术日新月异，欢迎大佬多多点评沟通。