推荐系统的Deep Crossing model

DeepCrossing模型在推荐系统中的应用

• 0 总体设计思路

  • 1 数据预处理阶段

  • 2 输入层与嵌入层的搭建

    • 2.1 构建输入层模块
    • 2.2 创建嵌入层结构
    • 2.3 合并嵌入向量列表

  • 3 特征向量的融合处理

  • 4 将特征信息送入残差网络结构

  • 5 构建输出层模块

  • 6 模型训练流程实施

0 整体思路

总体而言，DeepCrossing模型有效应对了推荐系统中普遍存在的特征工程处理、稀疏向量转换为稠密表示以及优化目标函数拟合等关键难题。
我们首先对数据集进行初步的统计分析，随后实施数据清洗与预处理操作，接着完成特征的拼接工作，并将其输入至包含残差结构的多层感知机中，最终通过逻辑回归模型进行评分，从而得出相应的概率输出结果。

数据预处理流程

获取数据后，首先将其区分为数值型与类别型两种类型的数据：

![在这里插入图片描述](https://ad.itadn.com/c/weblog/blog-img/images/2025-05-31/vHJrxC