DCN模型

1. DCN优点

　　使用Cross Network，在每一层都运用了Feature Crossing，高效学习高阶特征。

　　网络结构简单且高效

　　相比DNN，DCN的Logloss值更低，而且参数的数量少了一个数量级。

2. 网络整体结构

　　

　　主要分为Embedding和Stacking层，利用Embedding将二值化特征转变为实值的稠密向量，Embedding过程中用到的矩阵参数和网络中的其他参数一起训练，然后将Embedding向量和经过归一化的稠密向量Stack到一起作为网络的输入。

其数学表示为：

　　　　　　　　　　

3. 交叉网络　　　　　　　

　　

数学表示为：

　　　　　　

 

 总参数量为： （为输入向量的维度，为交叉网络的层数）

 4. 深度网络

　　DNN：

 总参数量为：（输入维度为，为神经网络层数，每层神经元个数为）

5. 组合方式

　　　　

6. 参考博客

　　https://www.jianshu.com/p/77719fc252fa

 　   https://www.cnblogs.com/cling-cling/p/9922766.html