qq_41145281的博客

本人才疏学浅，不足之处欢迎大家指出和交流。 今天分享的是2017年斯坦福与Google联合提出的DCN模型，和明天要分享的XDeepFM是配套的，同时这篇论文是Google 对 Wide & Deep工作的一个后续研究。本人写文章的顺序尽量严格按照时间顺序来的~话不多说，来看看今天分享的深度模型（串行结构）有哪些创新之处吧。 原文：《Deep & Cross Network for Ad Click Predictions》 1、背景及相关工作 传统的CTR预估模型需要大量的人工特征工程，

本人才疏学浅，不足之处欢迎大家指出和交流。 今天继续带来传统模型之MLR算法模型，这是一篇来自阿里盖坤团队的方案（LS-PLM），发表于2017年，但实际在2012年就已经提出并应用于实际业务中，当时主流仍然是我们上一篇提到过的的LR模型，而本文作者创新性地提出了MLR(mixed logistic regression, 混合逻辑斯特回归)算法，引领了广告领域CTR预估算法的全新升级。总的来说，MLR算法创新地提出并实现了直接在原始空间学习特征之间的非线性关系，基于数据自动发掘可推广的模式，相比于人工来说

本人才疏学浅，不足之处欢迎大家指出和交流。 本系列接下来要分享的文章是关于线性模型的，在15年后深度模型在ctr预估领域百花齐放之时，仍觉得传统的LR模型有着基石的作用，于是有了今天的分享。话不多说，今天会介绍的是经典的LR模型及Facebook在2014年提出的GBDT+LR（重点）。当时深度学习几乎还没有应用到到计算广告/推荐系统领域，Facebook提出利用GBDT的叶节点编号作为非线性特征的表示，或者说是组合特征的一种方式，可以自动实现特征工程，下面我们一起来看看吧。 两篇原文： Predict

今天分享的是一个Attentional Factorization Machine模型，是17年FM家族的成员。它和NFM是同一个作者，其在FM上的改进，最大的特点就是使用一个attention network来学习不同组合特征**(二阶交叉)**的重要性。下面我们一起来看下。 原文：《Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Network》 1、Introdu

请参加：https://jesse-csj.github.io/2019/07/29/NFM/

请参加：https://jesse-csj.github.io/2019/07/24/DeepFM/

请参加：https://jesse-csj.github.io/2019/07/24/Wide-Deep/

请参见：https://jesse-csj.github.io/2019/07/22/PNN/

请参见：https://jesse-csj.github.io/2019/07/21/FNN/

请参见：https://jesse-csj.github.io/2019/07/20/（读论文）计算广告之CTR预估-FM算法解析/