利用RecBole框架复现DCN-V2模型
¶一、 论文来源
本次复现的DCN-V2模型由《DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems》提出。
¶二、 数据集
本模型在Criteo数据集上运行。Criteo数据集通过RecBole框架提供的方法可转换为.INTER类型的原子文件。
¶三、 论文阅读 & 模型复现
¶1、 简介
学习排名(Learning to Rank,LTR)是现代机器学习和深度学习的重要问题之一。在LTR模型中,学习有效的特征交叉吸引关注。
有效的特征交叉提供了超出个别特征的额外的交互信息。
为了更准确地捕获有效的特征交叉,常见的补救措施是通过更宽或者更深的网络进一步增加模型的容量。但是提高模型性能的同时,降低了服务速度。
Deep&Cross Network(DCN)是有效和优雅的。
DCN-V2首先通过交叉层学习内部的显性特征交互,然后与深度网络结合,学习互补的隐性交互。DCN-V2的核心是交叉层。
¶2、相关工作
(好吧,其实读到这里都没有看懂,希望后面具体描述能看懂)
¶3、DCN-V2
(感觉有必要先学习一下DCN模型)
本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 Yangyy's Life!
评论