推荐系统task04-特征交叉及Wide&Deep系列排序模型
一、特征交叉模型
（一）FM（Factorization Machine）
- 核心思想：针对稀疏数据下特征组合难学习的问题，引入隐向量对特征进行表示，通过向量内积计算特征交叉的权重，高效挖掘二阶特征交互，解决传统线性模型无法自动捕捉特征关联的痛点 。
- 应用场景：在点击率预估等推荐场景中，对稀疏特征（如用户标签、商品属性）的交叉处理效果显著，为后续复杂模型奠定基础。
（二）PNN（Product-based Neural Network）
- 核心思路：聚焦特征交叉的 “乘积” 操作，构建内积、外积等乘积层，将特征交叉从简单线性组合拓展到非线性空间，强化特征交互的表达能力，让模型学习到更复杂的关联模式 。
- 特点：强调特征交叉的多样性，通过不同乘积方式挖掘特征间潜在关系，但计算复杂度相对较高，需在表达力和效率间权衡。
（三）DCN（Deep & Cross Network）
- 关键设计：设计交叉网络（Cross Network），通过显式构造多层特征交叉，每一层基于前一层输出迭代生成高阶交叉特征，与深度网络（Deep Network）并行，既保留显式交叉的清晰路径，又结合深度网络的泛化能力 。
- 优势：能更高效、有层次地挖掘高阶特征交互，在金融、电商推荐中，对复杂业务逻辑下的特征关联捕捉效果较好，提升推荐精准度。
（四）AutoInt（Automatic Feature Interaction）
- 创新点：引入自注意力机制（Self-Attention）实现自动特征交叉，模型根据注意力权重动态聚焦重要特征交互，无需人工设计交叉方式，适配多样推荐场景下灵活的特征关系挖掘 。
- 价值：降低特征工程依赖，让模型自主学习特征交互模式，尤其在用户行为复杂、特征维度多变的场景（如社交推荐），展现出自适应挖掘交互的能力。
（五）FiBiNet（Feature Importance and Bilinear feature Interaction Network）
- 独特之处：关注特征重要性，设计 Squeeze-Excitation 结构衡量特征权重，同时结合双线性交互（Bilinear Interaction）细化特征交叉，区分不同特征对推荐结果的贡献，优化交叉质量 。
- 实践意义：在电商推荐等场景，能精准捕捉 “用户偏好 - 商品属性” 的关键交互，提升推荐的个性化与准确性，让推荐更贴合用户真实需求。
二、Wide&Deep 系列模型
（一）Wide&Deep
- 核心框架：由 “Wide” 线性层（处理显式、高频特征交叉，保留模型 “记忆性” ）和 “Deep” 深度神经网络（挖掘隐式、低频特征交互，赋予 “泛化性” ）组成，双路并行互补，平衡推荐的精准与覆盖 。
- 经典应用：在 Google Play 应用推荐中验证有效性，为后续混合架构推荐模型提供基础范式，适合需要兼顾用户历史偏好与潜在兴趣的场景。
（二）NFM（Neural Factorization Machine）
- 改进方向：基于 FM 拓展，引入神经网络处理特征交叉，用多层感知机（MLP）替换 FM 的简单内积，将二阶交叉特征进一步映射到高维空间，强化非线性交互表达，弥补 FM 表达能力有限的问题 。
- 适用场景：在用户行为丰富、特征交互复杂的推荐场景（如短视频推荐），能更好挖掘 “用户行为 - 内容属性” 的深层关联，提升推荐质量。
（三）AFM（Attentional Factorization Machine）
- 关键创新：为 FM 的特征交叉引入注意力机制，给不同二阶交叉特征分配动态权重，突出对推荐结果影响大的交互，让模型更聚焦关键特征关系，提升交叉特征利用效率 。
- 价值体现：在广告推荐等场景，可精准识别 “用户画像 - 广告内容” 的有效交互，优化广告投放效果，减少无效推荐，提升 ROI（投资回报率）。
（四）DeepFM（Deep Factorization Machine）
- 架构融合：整合 FM 的二阶交叉能力与深度网络的高阶交叉能力，共享输入特征，无需人工特征工程，让线性交叉与深度交叉协同工作，同时挖掘显式与隐式特征交互，简化模型设计流程 。
- 实践优势：在金融信贷推荐、电商商品推荐等场景广泛应用，能高效处理多维度特征，平衡模型复杂度与推荐效果，成为工业级推荐系统的常用模型。
（五）xDeepFM（eXtreme Deep Factorization Machine）
- 突破点：改进 DCN 的交叉方式，提出 Compressed Interaction Network（CIN），更高效地进行显式高阶特征交叉，与深度网络结合，在显式交叉的深度和效率上优化，解决 DCN 交叉层可能存在的信息损失问题 。
- 应用场景：在对特征交互深度要求高的推荐场景（如长视频推荐的多维度用户兴趣挖掘），能更细致捕捉 “用户历史 - 内容标签 - 场景属性” 的复杂关联，提升推荐的精准度与多样性。
