https://www.infoq.cn/article/XA055tpFrprUy*0UBdCb
1、Wide & Deep 模型
https://arxiv.org/abs/1606.07792
https://blog.csdn.net/google19890102/article/details/78171283
在Wide & Deep模型中包括两个部分，分别为Wide部分和Deep部分，Wide部分如上图中的左图所示，Deep部分如上图中的右图所示。
wide模型：实际上，Wide模型就是一个广义线性模型, $y = w^T x+b$
deep模型：Deep模型是一个前馈神经网络
联合训练：同时训练Wide模型和Deep模型，并将两个模型的结果的加权和作为最终的预测结果：$P(Y = 1 | x) = \sigma(W^T_{wide}[x, \phi(x)] + W^T_{deep}a^{l_f} + b)$
优化方法：
wide模型：FTRL
deep模型：AdaGrad
keras：http://www.atyun.com/18823.html
2、DeepFM模型
https://ask.hellobi.com/blog/wenwen/11840
https://www.cnblogs.com/ljygoodgoodstudydaydayup/p/7340413.html
https://github.com/ChenglongChen/tensorflow-DeepFM
FM部分：
$y_{FM} = <w, x> + \sum^d_{j_1 = 1}\sum^d_{j_2 = j_1 + 1}<V_i, V_j>x_{j_1} . x_{j_2}$
深度部分：
...
keras实现： https://blog.csdn.net/songbinxu/article/details/80151814
https://github.com/Hanszhuang/CTR_DeepModel_Keras/blob/master/model/DeepFM.ipynb
3、PNN模型
https://arxiv.org/pdf/1611.00144.pdf
https://ask.hellobi.com/blog/wenwen/11934
PNN，全称为Product-based Neural Network，认为在embedding输入到MLP之后学习的交叉特征表达并不充分，提出了一种product layer的思想，既基于乘法的运算来体现体征交叉的DNN网络结构，如下图：
Product Layer：
product思想来源于，在ctr预估中，认为特征之间的关系更多是一种and“且”的关系，而非add"加”的关系。例如，性别为男且喜欢游戏的人群，比起性别男和喜欢游戏的人群，前者的组合比后者更能体现特征交叉的意义。
product layer可以分成两个部分，一部分是线性部分lz，一部分是非线性部分lp。
z是线性信号向量，因此我们直接用embedding层得到，可以认为z就是embedding层的复制。
有两种PNN的计算方法，一种叫做Inner PNN，简称IPNN，一种叫做Outer PNN，简称OPNN。定义Embedding的大小为M，field的大小为N，而lz和lp的长度为D1。
keras实现：https://github.com/Hanszhuang/CTR_DeepModel_Keras/blob/master/model/PNN.ipynb
4、Deep & Cross模型
https://arxiv.org/pdf/1708.05123.pdf
https://nirvanada.github.io/2017/12/14/DCN/
多值离散特征的embedding解决方案：SparseTensor （https://www.jianshu.com/p/4a7525c018b2）
来源：https://www.cnblogs.com/ljygoodgoodstudydaydayup/p/10711225.html