排序模型

排序模型是推荐系统中的核心组件，用于预测用户对物品的点击率或偏好分数，从而对召回的候选集进行精排序。Torch-RecHub 提供了多种先进的排序模型，涵盖了不同的特征处理和建模方式。

1. WideDeep

功能描述

WideDeep 是一种结合了线性模型（Wide 部分）和深度神经网络（Deep 部分）的混合模型，旨在同时利用线性模型的记忆能力和深度模型的泛化能力。

论文引用

Cheng, Heng-Tze, et al. "Wide & deep learning for recommender systems." Proceedings of the 1st workshop on deep learning for recommender systems. 2016.

核心原理

Wide 部分：线性模型，使用交叉特征，擅长捕获记忆效应
Deep 部分：深度神经网络，使用 Embedding 层和全连接层，擅长捕获泛化效应
联合训练：Wide 部分和 Deep 部分同时训练，输出结果通过 sigmoid 函数结合

使用方法

python

from torch_rechub.basic.features import DenseFeature, SparseFeature
from torch_rechub.models.ranking import WideDeep

# 定义特征
dense_features = [DenseFeature(name="age", embed_dim=1), DenseFeature(name="income", embed_dim=1)]
sparse_features = [SparseFeature(name="city", vocab_size=100, embed_dim=16), SparseFeature(name="gender", vocab_size=3, embed_dim=8)]

# 创建模型
model = WideDeep(
    wide_features=sparse_features,
    deep_features=sparse_features + dense_features,
    mlp_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"}
)

参数说明

参数	类型	描述	默认值
wide_features	list	Wide 部分使用的特征列表	None
deep_features	list	Deep 部分使用的特征列表	None
mlp_params	dict	深度神经网络参数，包含 dims、dropout、activation 等	None

适用场景

基础排序任务
需要同时利用记忆和泛化能力的场景
特征工程资源有限的场景

2. DeepFM

功能描述

DeepFM 是一种结合了因子分解机（FM）和深度神经网络的模型，能够同时捕获低阶和高阶特征交互。

论文引用

Guo, Huifeng, et al. "DeepFM: a factorization-machine based neural network for CTR prediction." Proceedings of the 26th international joint conference on artificial intelligence. 2017.

核心原理

FM 部分：捕获二阶特征交互，具有线性复杂度
Deep 部分：通过神经网络捕获高阶特征交互
共享 Embedding：FM 部分和 Deep 部分共享特征 Embedding，减少参数数量

使用方法

python

from torch_rechub.models.ranking import DeepFM

# 创建模型
model = DeepFM(
    deep_features=sparse_features + dense_features,
    fm_features=sparse_features,
    mlp_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"}
)

参数说明

参数	类型	描述	默认值
deep_features	list	Deep 部分使用的特征列表	None
fm_features	list	FM 部分使用的特征列表	None
mlp_params	dict	深度神经网络参数	None

适用场景

特征交互重要的场景
需要同时捕获低阶和高阶特征交互的场景
点击率预测任务

3. DCN

功能描述

DCN（Deep & Cross Network）是一种显式学习特征交叉的模型，通过交叉网络（Cross Network）显式捕获高阶特征交互，同时保持线性的计算复杂度。

论文引用

Wang, Ruoxi, et al. "Deep & cross network for ad click predictions." Proceedings of the ADKDD'17. 2017.

核心原理

Cross Network：显式学习高阶特征交叉，每层输出为： $x_{l + 1} = x_{0} x_{l}^{T} w_{l} + b_{l} + x_{l}$
Deep Network：深度神经网络，捕获非线性特征交互
联合训练：Cross Network 和 Deep Network 并行计算，结果拼接后通过全连接层输出

使用方法

python

from torch_rechub.models.ranking import DCN

# 创建模型
model = DCN(
    features=sparse_features + dense_features,
    n_cross_layers=3,
    mlp_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"},
)

参数说明

参数	类型	描述	默认值
features	list	Cross 与 Deep 部分共用的特征列表	必填
mlp_params	dict	深度神经网络参数	None
n_cross_layers	int	Cross Network 的层数	必填

适用场景

需要显式特征交叉的场景
计算资源有限的场景
点击率预测任务

4. DCNv2

功能描述

DCNv2 是 DCN 的增强版本，将 Cross Network 的标量/向量参数扩展为矩阵交互；本项目同时支持低秩专家混合，以降低完整矩阵交互的成本。

论文引用

Wang, Ruoxi, et al. "DCN V2: Improved deep & cross network and practical lessons for web-scale learning to rank systems." Proceedings of the web conference 2021. 2021.

核心原理

矩阵式交叉：比 DCN 的向量式交叉表达力更强
低秩专家混合：use_low_rank_mixture=True 时使用多个低秩 Cross 专家
结构可选：支持 crossnet_only、stacked 和 parallel

使用方法

python

from torch_rechub.models.ranking import DCNv2

# 创建模型
model = DCNv2(
    features=sparse_features + dense_features,
    n_cross_layers=3,
    mlp_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"},
    model_structure="parallel",       # crossnet_only / stacked / parallel
    use_low_rank_mixture=True,
    low_rank=32,
    num_experts=4,
)

参数说明

参数	类型	描述	默认值
features	list	Cross 与 Deep 部分共用的特征列表	必填
mlp_params	dict	深度神经网络参数	None
n_cross_layers	int	Cross Network 的层数	必填
model_structure	str	`crossnet_only` / `stacked` / `parallel`	`parallel`
use_low_rank_mixture	bool	是否使用低秩专家混合 CrossNet	True
low_rank	int	低秩维度	32
num_experts	int	CrossNetMix 专家数	4

适用场景

需要更高效特征交叉的场景
大规模推荐系统
点击率预测任务

5. EDCN

功能描述

EDCN（Enhanced Deep & Cross Network）是一种增强型的交叉网络模型，引入了显式特征交叉和深度特征提取的结合，进一步提高了模型的表达能力。

论文引用

Ma, Xiao, et al. "Enhanced Deep & Cross Network for Feature Cross Learning in Click-Through Rate Prediction." Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. 2021.

核心原理

Cross Network：显式学习高阶特征交叉
Deep Network：深度神经网络，捕获非线性特征交互
特征重要性学习：引入特征重要性权重，提高模型的解释性

使用方法

python

from torch_rechub.models.ranking import EDCN

# 创建模型
model = EDCN(
    features=sparse_features + dense_features,
    n_cross_layers=3,
    mlp_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"},
    bridge_type="hadamard_product",
    use_regulation_module=True,
)

参数说明

参数	类型	描述	默认值
features	list	模型使用的全部特征	必填
mlp_params	dict	深度神经网络参数	None
n_cross_layers	int	Cross Network 的层数	必填
bridge_type	str	Cross/Deep 桥接方式	`hadamard_product`
use_regulation_module	bool	是否使用特征调节模块	True

适用场景

复杂特征交互场景
需要高表达能力的模型
点击率预测任务

6. AFM

功能描述

AFM（Attention Factorization Machine）是一种基于注意力机制的因子分解机，能够自适应地学习不同特征交互的重要性。

论文引用

Xiao, Jun, et al. "Attentional factorization machines: Learning the weight of feature interactions via attention networks." arXiv preprint arXiv:1708.04617 (2017).

核心原理

FM 基础：基于因子分解机，捕获二阶特征交互
注意力机制：引入注意力网络，为每个特征交互分配动态权重
注意力输出：注意力权重与特征交互向量加权求和，得到最终的交互向量

使用方法

python

from torch_rechub.models.ranking import AFM

# 创建模型
model = AFM(
    fm_features=sparse_features,
    embed_dim=16,  # 必须与 fm_features 的 embedding 维度一致
    t=64,
)

参数说明

参数	类型	描述	默认值
fm_features	list	参与 FM 交互的稀疏特征，嵌入维度需一致	必填
embed_dim	int	特征嵌入维度	必填
t	int	注意力隐藏层维度	64

适用场景

特征交互重要性差异较大的场景
需要解释性的场景
点击率预测任务

7. FiBiNET

功能描述

FiBiNET（Feature Importance and Bilinear feature Interaction NETwork）是一种结合了特征重要性学习和双线性特征交互的模型，能够更有效地捕获特征交互。

论文引用

Juan, Yuchin, et al. "FiBiNET: Combining Feature Importance and Bilinear feature Interaction for Click-Through Rate Prediction." Proceedings of the 13th ACM Conference on Recommender Systems. 2019.

核心原理

特征重要性网络：通过 Squeeze-and-Excitation 机制学习特征重要性
双线性交互：使用双线性函数捕获特征交互，支持不同的交互形式
特征增强：对输入特征进行增强，提高模型的表达能力

使用方法

python

from torch_rechub.models.ranking import FiBiNet

# 创建模型
model = FiBiNet(
    features=sparse_features,
    mlp_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"},
    reduction_ratio=3,
    bilinear_type="field_interaction",
)

参数说明

参数	类型	描述	默认值
features	list	参与 SENET 和双线性交互的特征	必填
mlp_params	dict	预测 MLP 参数	必填
reduction_ratio	int	SENET 压缩比	3
bilinear_type	str	`field_all` / `field_each` / `field_interaction`	`field_interaction`

适用场景

特征重要性差异较大的场景
需要复杂特征交互的场景
点击率预测任务

8. DeepFFM

功能描述

DeepFFM（Deep Field-aware Factorization Machine）是一种结合了场感知因子分解机和深度神经网络的模型，能够捕获场感知的高阶特征交互。

论文引用

Xiao, Jun, et al. "Deep learning over multi-field categorical data." European conference on information retrieval. Springer, Cham, 2016.

核心原理

FFM 基础：场感知因子分解机，为每个特征场对学习特定的交互向量
Deep Network：深度神经网络，捕获高阶特征交互
联合训练：FFM 部分和 Deep 部分联合训练，输出结果结合

使用方法

python

from torch_rechub.models.ranking import DeepFFM, FatDeepFFM

# FFM 会为每个字段对使用不同 embedding，cross feature 的词表需乘以字段数
ffm_linear_features = [
    SparseFeature(f.name, vocab_size=f.vocab_size, embed_dim=1) for f in sparse_features
]
ffm_cross_features = [
    SparseFeature(f.name, vocab_size=f.vocab_size * len(sparse_features), embed_dim=10)
    for f in sparse_features
]

model = DeepFFM(
    linear_features=ffm_linear_features,
    cross_features=ffm_cross_features,
    embed_dim=10,
    mlp_params={"dims": [1600, 1600], "dropout": 0.5, "activation": "relu"},
)

# 创建 FatDeepFFM 模型（增强版本）
fat_model = FatDeepFFM(
    linear_features=ffm_linear_features,
    cross_features=ffm_cross_features,
    embed_dim=10,
    reduction_ratio=1,
    mlp_params={"dims": [1600, 1600], "dropout": 0.5, "activation": "relu"},
)

参数说明

参数	类型	描述	默认值
linear_features	list	一阶线性部分特征，通常 `embed_dim=1`	必填
cross_features	list	FFM 交互特征，词表需预留字段偏移空间	必填
embed_dim	int	FFM embedding 维度	必填
reduction_ratio	int	仅 FatDeepFFM 需要的 CEN 压缩比	必填（FatDeepFFM）
mlp_params	dict	FFM 交互后的 MLP 参数	必填

适用场景

场感知特征交互重要的场景
复杂特征交互场景
点击率预测任务

9. BST

功能描述

BST（Behavior Sequence Transformer）是一种使用 Transformer 建模用户行为序列的模型，能够捕获用户行为序列中的长距离依赖关系。

论文引用

Chen, Qiwei, et al. "Behavior Sequence Transformer for E-commerce Recommendation in Alibaba." arXiv preprint arXiv:1905.06874 (2019).

核心原理

Transformer Encoder：使用多头自注意力机制捕获序列中的依赖关系
位置编码：添加位置信息，保留序列的顺序信息
特征融合：将序列特征与其他特征融合，得到最终的预测结果

使用方法

python

from torch_rechub.basic.features import SparseFeature, SequenceFeature
from torch_rechub.models.ranking import BST

features = [SparseFeature("user_id", vocab_size=n_users + 1, embed_dim=8)]
target_features = [
    SparseFeature("target_item_id", vocab_size=n_items + 1, embed_dim=8),
    SparseFeature("target_cate_id", vocab_size=n_cates + 1, embed_dim=8),
]
history_features = [
    SequenceFeature("hist_item_id", vocab_size=n_items + 1, embed_dim=8,
                    pooling="concat", shared_with="target_item_id"),
    SequenceFeature("hist_cate_id", vocab_size=n_cates + 1, embed_dim=8,
                    pooling="concat", shared_with="target_cate_id"),
]

model = BST(
    features=features,
    history_features=history_features,
    target_features=target_features,
    mlp_params={"dims": [256, 128]},
    nhead=8,
    dropout=0.2,
    num_layers=1,
    max_seq_len=51,
)

参数说明

参数	类型	描述	默认值
features	list	用户画像/上下文特征，不含历史和目标	必填
history_features	list	`pooling="concat"` 的历史序列	必填
target_features	list	与历史特征对应的目标物品特征	必填
mlp_params	dict	预测 MLP 参数	必填
nhead	int	多头注意力头数，需整除历史特征维度总和	8
dropout	float	Transformer dropout	0.2
num_layers	int	Transformer Encoder 层数	1
max_seq_len	int	历史长度 + 1 个 target 的上限	51

适用场景

用户行为序列重要的场景
长序列建模场景
推荐系统中的顺序推荐任务

10. DIN

功能描述

DIN（Deep Interest Network）是一种基于注意力机制的深度兴趣网络，能够根据目标物品动态捕获用户的兴趣。

论文引用

Zhou, Guorui, et al. "Deep interest network for click-through rate prediction." Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining. 2018.

核心原理

兴趣提取：从用户行为序列中提取兴趣表示
注意力机制：根据目标物品计算每个历史行为的注意力权重
兴趣动态聚合：根据注意力权重动态聚合用户兴趣，得到最终的兴趣表示

使用方法

python

from torch_rechub.basic.features import SparseFeature, SequenceFeature
from torch_rechub.models.ranking import DIN

features = [SparseFeature("user_id", vocab_size=n_users + 1, embed_dim=8)]
target_features = [SparseFeature("target_item_id", vocab_size=n_items + 1, embed_dim=8)]
history_features = [
    SequenceFeature("hist_item_id", vocab_size=n_items + 1, embed_dim=8,
                    pooling="concat", shared_with="target_item_id")
]

model = DIN(
    features=features,
    history_features=history_features,
    target_features=target_features,
    mlp_params={"dims": [256, 128]},
    attention_mlp_params={"dims": [64, 32], "use_softmax": False},
)

参数说明

参数	类型	描述	默认值
features	list	用户画像/上下文特征	必填
history_features	list	`pooling="concat"` 的历史序列	必填
target_features	list	与历史特征数量、顺序和维度对应的目标特征	必填
mlp_params	dict	预测 MLP 参数	必填
attention_mlp_params	dict	Activation Unit 参数	必填

适用场景

用户兴趣动态变化的场景
目标物品相关的兴趣建模
点击率预测任务

11. DIEN

功能描述

DIEN（Deep Interest Evolution Network）是阿里妈妈在 AAAI'2019 提出的模型，在 DIN 基础上引入兴趣抽取层（GRU + 辅助损失）和兴趣演化层（AUGRU），建模用户兴趣随时间的动态演化过程。

论文引用

Zhou, Guorui, et al. "Deep interest evolution network for click-through rate prediction." Proceedings of the AAAI conference on artificial intelligence. 2019.

核心原理

兴趣抽取层：GRU 对行为序列建模，辅助损失用正负样本对监督每步隐状态（论文 Eq.7）
兴趣演化层：AUGRU 将注意力分数嵌入更新门，对全序列 softmax 归一化后逐步演化（论文 Eq.14-16）
辅助损失： $L_{a u x} = - \frac{1}{N} \sum [\log σ (h_{t} \cdot e_{t + 1}^{+}) + \log (1 - σ (h_{t} \cdot e_{t + 1}^{-}))]$
Padding 处理：padding 位（index=0）不参与 GRU/AUGRU 计算；空历史样本保持零隐状态

使用方法

python

from torch_rechub.basic.features import SparseFeature, SequenceFeature
from torch_rechub.models.ranking import DIEN

# target_features 必须设 padding_idx=0，因为 history/neg_history 共享其 embedding 表
target_features = [
    SparseFeature("target_item_id", vocab_size=n_items+1, embed_dim=8, padding_idx=0),
]
# history/neg_history 通过 shared_with 指向 target feature（embed_dict 的 root key）
history_features = [
    SequenceFeature("hist_item_id", vocab_size=n_items+1, embed_dim=8,
                    pooling="concat", shared_with="target_item_id", padding_idx=0),
]
neg_history_features = [
    SequenceFeature("neg_hist_item_id", vocab_size=n_items+1, embed_dim=8,
                    pooling="concat", shared_with="target_item_id", padding_idx=0),
]

model = DIEN(
    features=features,
    history_features=history_features,
    neg_history_features=neg_history_features,
    target_features=target_features,
    mlp_params={"dims": [256, 128]},
    alpha=0.2,
)
# CTRTrainer 需设 loss_mode=False，因为 forward 返回 (prediction, aux_loss)

参数说明

参数	类型	描述
features	list	用户画像 / 上下文特征，输入顶层 MLP
history_features	list	正样本行为序列，pooling="concat"，padding_idx=0，shared_with=target_feature
neg_history_features	list	负采样行为序列，同上，shared_with 必须指向 target feature（非 history feature）
target_features	list	目标物品特征，padding_idx=0，用于 AUGRU 注意力
mlp_params	dict	顶层 MLP 参数，activation 固定为 dice
alpha	float	辅助损失权重，默认 0.2

适用场景

用户兴趣随时间动态演化的场景（电商、新闻推荐）
拥有带时序的用户行为序列数据
点击率预测任务

12. AutoInt

功能描述

AutoInt（Automatic Feature Interaction Learning via Self-Attentive Neural Networks）是一种使用自注意力机制自动学习特征交互的模型，能够灵活地捕获各种阶数的特征交互。

论文引用

Song, Weiping, et al. "AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks." Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019.

核心原理

Embedding 层：将离散特征映射到低维向量空间
多头自注意力机制：自动学习特征之间的交互关系
残差连接：增强模型的训练稳定性
层归一化：加速模型收敛

使用方法

python

from torch_rechub.models.ranking import AutoInt

# 创建模型
model = AutoInt(
    sparse_features=sparse_features,
    dense_features=dense_features,
    num_layers=3,
    num_heads=2,
    dropout=0.2,
    mlp_params={"dims": [256, 128], "dropout": 0.2, "activation": "relu"},
)

参数说明

参数	类型	描述	默认值
sparse_features	list	至少一个、且 `embed_dim` 相同的稀疏特征	必填
dense_features	list	连续特征，可为空列表	必填
num_layers	int	Interacting Layer 层数	3
num_heads	int	注意力头数	2
dropout	float	注意力 dropout	0.0
mlp_params	dict or None	可选 Deep 分支参数	None

适用场景

自动特征交互学习
复杂特征交互场景
点击率预测任务

13. 模型比较

模型	复杂度	表达能力	计算效率	解释性
WideDeep	低	中	高	高
DeepFM	中	高	中	中
DCN/DCNv2	中	高	高	中
EDCN	中	高	中	中
AFM	中	中	中	高
FiBiNET	中	高	中	中
DeepFFM	高	高	低	中
BST	高	高	低	中
DIN	中	高	中	中
DIEN	高	高	低	中
AutoInt	高	高	低	中

14. 使用建议

根据数据规模选择模型：小规模数据推荐使用简单模型（如 WideDeep、DeepFM），大规模数据可以尝试更复杂的模型
根据特征类型选择模型：序列特征重要时推荐使用 BST、DIN、DIEN；特征交互重要时推荐使用 DCN、DeepFM
根据计算资源选择模型：计算资源有限时推荐使用计算效率高的模型（如 DCN、WideDeep）
尝试多种模型并进行融合：不同模型可能捕获不同的特征交互模式，模型融合可以提高最终效果

15. 代码示例：完整的排序模型训练流程

python

import os

from torch_rechub.models.ranking import DeepFM
from torch_rechub.trainers import CTRTrainer
from torch_rechub.utils.data import DataGenerator
from torch_rechub.basic.features import DenseFeature, SparseFeature

# 1. 定义特征
# 假设我们有以下特征
dense_features = [
    DenseFeature(name="age", embed_dim=1),
    DenseFeature(name="income", embed_dim=1)
]

sparse_features = [
    SparseFeature(name="city", vocab_size=100, embed_dim=16),
    SparseFeature(name="gender", vocab_size=3, embed_dim=16),
    SparseFeature(name="occupation", vocab_size=20, embed_dim=16)
]

# 2. 准备数据
# 假设 x 和 y 是已经处理好的特征和标签数据
x = {
    "age": age_data,
    "income": income_data,
    "city": city_data,
    "gender": gender_data,
    "occupation": occupation_data
}
y = label_data

# 3. 创建数据生成器
dg = DataGenerator(x, y)
train_dl, val_dl, test_dl = dg.generate_dataloader(split_ratio=[0.7, 0.1], batch_size=256)

# 4. 创建模型
model = DeepFM(
    deep_features=sparse_features + dense_features,
    fm_features=sparse_features,
    mlp_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"}
)

# 5. 创建训练器
trainer = CTRTrainer(
    model=model,
    optimizer_params={"lr": 0.001, "weight_decay": 0.0001},
    n_epoch=50,
    earlystop_patience=10,
    device="cpu",
    model_path="saved/deepfm"
)

# 6. 训练模型
os.makedirs("saved/deepfm", exist_ok=True)
trainer.fit(train_dl, val_dl)

# 7. 评估模型
auc = trainer.evaluate(trainer.model, test_dl)
print(f"Test AUC: {auc}")

# 8. 导出 ONNX 模型（先安装：pip install "torch-rechub[onnx]"）
trainer.export_onnx("deepfm.onnx")

16. 常见问题与解决方案

Q: 如何选择合适的模型？

A: 根据数据规模、特征类型、计算资源和业务需求选择合适的模型。建议先从简单模型开始，逐步尝试更复杂的模型。

Q: 模型训练过拟合怎么办？

A: 可以尝试以下方法：

增加正则化（L1/L2正则化）
增加 dropout 率
使用早停（Early Stopping）
增加训练数据
简化模型结构

Q: 如何处理大规模特征？

A: 可以尝试以下方法：

特征选择：只保留重要特征
特征哈希：将高维特征映射到低维空间
分层 Embedding：对不同特征使用不同的 Embedding 维度

Q: 如何加速模型训练？

A: 当前 CTRTrainer 可通过 device 使用单卡 GPU，也可通过 gpus=[...] 在单机上包装 torch.nn.DataParallel。训练器没有内置自动混合精度（AMP）或多机分布式训练。batch size 是否能增大取决于显存，建议先从较小值逐步测试。

排序模型 ​

1. WideDeep ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

2. DeepFM ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

3. DCN ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

4. DCNv2 ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

5. EDCN ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

6. AFM ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

7. FiBiNET ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

8. DeepFFM ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

9. BST ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

10. DIN ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

11. DIEN ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

12. AutoInt ​

功能描述 ​

排序模型

1. WideDeep

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

2. DeepFM

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

3. DCN

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

4. DCNv2

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

5. EDCN

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

6. AFM

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

7. FiBiNET

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

8. DeepFFM

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

9. BST

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

10. DIN

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

11. DIEN

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

12. AutoInt

功能描述