精通推荐算法20：特征交叉之DCN -- 异构模型Wide侧引入高阶交叉

news2024/9/27 21:18:05

1 引言

DeepFM通过FM显式引入了二阶特征交叉，提升了低阶特征交叉能力。但在推荐场景中，三阶、四阶甚至更高阶的特征交叉同样十分重要。比如在应用市场（如Google Play）推荐场景中，“年轻”的“男性”用户，对“射击类游戏App”下载率较高。此处特征组“用户年龄、用户性别、App类型”的三阶交叉，对标签“用户是否下载App”十分重要。有没有办法在模型中显式引入高阶特征交叉呢？有两种思路：

通过DNN深度神经网络。DNN具有高阶特征交叉能力，但交叉是隐式，而不是显式的。DNN由多层全连接网络构成，全连接本质上是对特征向量加权求和，即使堆叠多层，也很难拟合向量间的内积、外积等显式高阶操作。
引入更高阶的FM。FM通过内积操作，具备显式二阶特征交叉能力。那能否扩展到三阶、四阶甚至更高阶呢？理论上可行，但参数量和计算量会爆炸性提升。对于50个特征，二阶交叉有 $C^2_{50} = 1225$ 种组合，尚且可以接受。三阶交叉有 $C^3_{50} = 19600$ 种组合，参数量爆炸，难以训练和上线。这也是为什么这么多年来，FM很难突破二阶的原因。

DCN则提出了另一种解决方案，理论上可以实现任意高阶特征的显式交叉，而且不会带来参数量的爆炸增长。论文由斯坦福大学和谷歌研究人员于2017年联合提出，全称“ Deep & Cross Network for Ad Click Predictions”[8]。

2 DCN模型结构

DCN同样采用异构模型，分为交叉网络（Cross network）和深度网络（Deep network）两部分，这也是其名字的由来。最底层是Embedding层和拼接层（Stacking layer），之上为并行的交叉网络和深度网络，最后利用一层逻辑回归融合二者并输出。模型整体结构和DeepFM比较相似，如图4-9所示。

DCN的深度网络与Wide & Deep、DeepFM相似，就不再赘述。重点看交叉网络是怎么实现的。交叉网络的输入为拼接好的特征Embedding向量，如图4-9最下边方框所示。网络可堆叠多层，理论上不限制。每层的计算过程如公式4-20所示。

3 DCN总结和思考

DCN看起来很美好，但其实也存在不少问题，在业界有不少争议。主要有：

它对所有特征向量拼接后，再整体进行外积交叉，其操作是element-wise的。而不是像FM那样先在特征间交叉，再累加起来，也就是vector-wise的。同一特征向量内的各元素，应该整体考虑，被同等对待，故采用vector-wise的方式进行特征交叉更为合理。另外，特征向量间交叉是具备实际物理意义的，比如向量内积代表了两者的余弦相似度。而DCN的这种交叉则不具备实际物理意义。
DCN仅使用少量的参数就可以实现显式高阶特征交叉，其模型容量十分有限，不得不让人怀疑。最直接的，一层的DCN其实并不能退化为FM网络。

不过，DCN关于“显式高阶特征交叉”的思考，还是非常值得学习的。其交叉网络的设计，虽然有一定缺陷，但也值得借鉴。后续DCN-V2、xDeepFM等模型给出了更为合理的解决方案。