DCN是DeepFM的升级版，后者是只能做二阶交叉特征，随着阶数上升，模型复杂度大幅提高，且FM网络层较浅，表达能力有限。google团队通过构建深度交叉网络来自动进行特征的高阶交叉，且时空复杂度均为线性增长，极大提升了模型性能。

模型结构

整体网络结构跟DeepFM类似：

特征交叉细节：

代码实现

代码其实非常简单：

def cross_net(self, inputs):
    # 进行特征交叉时的x_0一直没有变，变的是x_l和每一层的权重
    x_0 = inputs # B x dims 
    x_l = x_0
    for i in range(self.layer_nums):
        # 将x_l的第一个维度与w[i]的第0个维度计算点积
        xl_w = tf.tensordot(x_l, self.W[i], axes=(1, 0)) # B, 
        xl_w = tf.expand_dims(xl_w, axis=-1) # 在最后一个维度上添加一个维度 # B x 1
        cross = tf.multiply(x_0, xl_w) # B x dims
        x_l = cross + self.b[i] + x_l
    return x_l

这里的 cross 其实是相当于学习残差。

实验结果

就随便看看吧，baselines提到了FM、LR，但只字不提跟它们的性能比较，无语。。。（Wide&Deep依赖于大量人工先验来选择交叉特征，DCN只跟自动交叉特征的方法比，例如FM等）

---

参考

• DCN.md
• Deep & Cross Network for Ad Click Predictions