CTR学习手册

特征交互方案已经介绍完，这一章介绍优化模型~xDeepFM用改良的DCN替代了DeepFM的FM部分来学习组合特征信息，而FiBiNET则是应用SENET加入了特征权重比NFM，AFM更进了一步

之前总结了PNN,NFM,AFM这类向量乘积的方式，这一节我们换新的思路来看特征交互，DeepCrossing是最早在CTR中使用残差网络的前辈，DCN进一步创新为任意阶数特征交互提供了新的方案

这一节我们总结FM另外两个远亲NFM，AFM。NFM和AFM都是针对Wide&Deep 中Deep部分的改造。NFM引入了hadamard内积，AFM引入注意力机制

FM三兄弟FNN/PNN/DeepFM，从最初把FM得到的隐向量作为输入的FNN，到把向量内/外积从预训练直接迁移到网络中的PNN，再到参考wide&Deep把人工特征替换成FM的DeepFM

这一篇从基础的wide&deep谈起，Wide负责频繁项记忆，Deep负责特征泛化，后续的改进基本可以纳入这个框架，要么是新的IFC让Deep更有效的进行特征交互，要么是让Wide更好的记忆信息~

CTR学习笔记系列的第一篇，总结在深度模型称王之前经典LR，FM, FFM模型，这些经典模型后续也作为组件用于各个深度模型。模型分别用自定义Keras Layer和estimator实现