Deep & Cross Network for Ad Click Predictions（Python版本）简介 Deep & Cross Network for Ad Click Predictions（Python版本）简介

Deep & Cross Network for Ad Click Predictions

摘要

DCN网络由作者设计完成，该模型在保留DNN原有优势（即能够隐式生成特征间的交互关系）的同时，引入交叉网络实现特征的显式交叉运算。这种方法无需依赖人工特征工程，并且仅在DNN结构基础上增加了可接受的复杂度。实验结果表明，DCN在网络点击率预测及分类任务中的表现已超越当前最先进的方法。

介绍

针对具有web伸缩特性的推荐系统而言，由于其生成的数据存在较高的稀疏性，使得线性模型在处理过程中面临较大挑战。在此背景下，交叉特征的应用显得尤为重要，但通常需要依赖人工进行特征工程操作。为降低此类工作的复杂度，交叉网络被引入以应对这一需求。与此同时，结合深度神经网络（DNN）的优势，能够有效融合两者的特点，实现更优的性能表现。

嵌入和堆叠层

在处理离散数据时，通常会将其转换为one-hot编码形式，然而在实际应用中，这种表示方式往往会导致特征维度显著增加，从而带来一定挑战，因此需要采取相应的措施

通过将这些离散特征转化为实数形式的密集向量