Arxiv: 1708.05123
这篇文章由Google与Standford合作发表于2017年， 主要贡献在于提出了一个新的CTR预估网络架构， 可以通过网络高效地学习特征的多层交叉表示。
网络结构如下图示：
网络可以看成是分别通过Cross Network和Deep Network来抽取特征， 最后做一个线性融合。两个网络共享相同的输入， 即将离散特征做Embedding之后， 与归一化后的连续特征做Concat, 再分别输入到Cross Network和Deep Network中。Deep Network是常规的前馈网络。Cross Network则包含一层或多层Cross Layer, Cross Layer可以看成是以下函数:
作者证明， l层的Cross Network, 可以拟合特征的任意l+1阶关系。（证明过程符号太多， 看不下去了。
此外， DCN可以看成是对FM的扩展， FM出于性能限制，只能建模两阶的特征交叉关系。
在实现上， Cross Layer的计算效率非常高。 从公式中可以看出，计算复杂度为O(d), 其中d为特征的维度。
Комментарии