首页 > TAG信息列表 > DeepCrossing
推荐系统-DeepCrossing
这是一个把深度学习架构应用于推荐系统中的模型， 2016年由微软提出， 完整的解决了特征工程、稀疏向量稠密化， 多层神经网络进行优化目标拟合等一系列深度学习再推荐系统的应用问题。 这个模型涉及到的技术比较基础，在传统神经网络的基础上加入了embedding，残差连接等思想，且结构比推荐模型DeepCrossing: 原理介绍与TensorFlow2.0实现
DeepCrossing是在AutoRec之后，微软完整的将深度学习应用在推荐系统的模型。其应用场景是搜索推荐广告中，解决了特征工程，稀疏向量稠密化，多层神经网路的优化拟合等问题。所使用的特征在论文中描述为两个大类数值型（文中couting feature）和类别型。如下图 对于数值型特征可以直接拼接在E推荐系统--n--模型DeepCrossing和PNN
微软2016年提出的DeepCrossing 是经典的Embedding+MLP结构。 Embedding + MLP 模型结构 微软把DeepCrossing用于广告推荐这个业务场景上。DeepCrossing从下到上可以分为5层，分别是Feature层、Embedding层、Stacking层、MLP层和Scoring层。 Feature层 feature 层也叫输入特征