本文主要是介绍【CTR预估】Deep Cross Network 模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
DCN模型是组合了显式和隐式特征交叉的一个模型。如果了解WD模型的话，简单的说这篇文章就是把WD模型的wide侧改成了cross网络，用来显式的做一些特征的交叉，因为DNN虽然有着拟合任意模型的能力，但是世界上没有免费的午餐，所以显式的定义特征交叉还是很有必要的。
论文下载地址：https://arxiv.org/pdf/1708.05123.pdf
这里我对一些常用的ctr预估模型进行了复现，其中也包括了DCN模型，可以参考一些：https://github.com/Shicoder/Deep_Rec/blob/master/Deep_Rank
1.模型结构
结构图如下所示：
2.模型输入
我们从下到上，先看模型的输入，如下所示
这个也是推荐领域常见的输入方式，将实值类的特征stack起来，稀疏的类别特征做embedding。然后整体concat起来作为模型的输入。
3.模型核心结构
再往上走一步
先看右边的模型，就是一个正常的全连接网络。
关键的是左边的cross 网络。
如果直接看图上的公式会有点误导，直接看文章给出的每一层x的计算公式和具体的可视化图
公式：
交叉层可视化图：
这样就比较清楚了，每一层的计算中都有,
是一个列向量，所以
这个计算过程相当于把交叉网络输入
的每个维度分发到不同的维度上,再利用w把分发出去的值合并起来，以此来达到交叉特征的效果。
举个栗子?
假设输入的是一个三维的向量，那么第一层交叉层的计算如下图：
看一下过程就很清楚了。
而每一层中的参数只有和
,如果输入数据的维度是d，交叉层的层数是
,那么整个交叉网络的参数只有d*L*2，也大大减少了参数的数量。
4.最后的输出
交叉网络和深度网络的输出是他们最后一层神经网络节点值。这里和wide and deep 模型不同的是，wide and deep模型最后的输出只有一个节点，模型直接将wide和deep两个子模型的输出的单个值加起来送入激活函数。
而这里是将cross网络输出的向量和deep输出的向量concate起来，再做一层的全连接，才送入激活函数。
具体实现代码github上很多。
完
这篇关于【CTR预估】Deep Cross Network 模型的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
