特征工程一直是许多预测模型成功的关键。然而这个过程是重要的，而且经常需要手动进行特征工程或遍历搜索。DNN可以自动地学习特征地交互作用，然而，它们隐式地的生成所有的特征交互，这对于学习所有类型的交叉特征不一定有效。在本文中，我们提出了一种能够保持深度神经网络良好收益的深度交叉网络（DCN），除此之外，它还引入了一个新的交叉网络，更有效地学习在一定限度下的特征相互作用，更有甚，DCN在每一层确切地应用交叉特征而不需要人工特征工程，这相比于DNN模型增加地额外地复杂度可以忽略不计。我们的实验证明它在CTR预测数据机和稠密分类数据机上具有优越性能。
目录 DCN v1 DCN v2 参考 DCN v1 背景 在计算机视觉领域，同一物体在不同场景，角度中未知的几何...
简介 DCN（Deep Cross Network）由谷歌和斯坦福联合发表在AdKDD 2017会议上。DCN网络...
State of the art deep learning model for question answeri...
摘要 特征工程一直是许多预测模型成功的关键。然而这个过程是重要的，而且经常需要手动进行特征工程或遍历搜索。DNN可...
论文介绍 DCN-v2优化了DCN的cross layer，权重参数w由原来的vector变为方阵matrix，增...
1、原理 Deep&Cross Network模型我们下面将简称DCN模型： 一个DCN模型从嵌入和堆积层开始，接...
总述：DeepFM和DCN均是wide&deep在wide部分的改进 1：DeepFM 主要做法如下： 首先，使用...
https://zhuanlan.zhihu.com/p/55234968 与CIN，FM的共同目标都是，设计交叉...
论文： 论文题目：《DCN V2: Improved Deep & Cross Network and Pract...
原文：http://blog.sina.com.cn/s/blog_a3869e9a01017dcn.html 断...
本文标题：DCN
本文链接：https://www.haomeiwen.com/subject/owudgttx.html
网友评论