深度学习核心技术精讲100篇（五）-通过CTR预估对比深度学习模型（deepfm）梯度提升模型（catboost）

前言

CTR预估模型的特点：

• 毫无疑问这个任务的是个二分类任务，预测点击与否。
• CTR 预估的特征一般是 用户的日志特征和画像特征，包含类别特征和数值型特征两种。
• 此任务的评估指标是 AUC 得分 或者 Logloss，facebook2014年的论文指出Logloss可能是相对来说较好的一个评估指标。

存在以下问题：

• 特征稀疏性的问题如何解决。
• 特征直接的组合关系如何挖掘,交互特征如何学习。
• 如何感知用户兴趣随时间的变化。
• 最后一点是深度模型自带问题，就是如何利用好将不同层级的特征。（由于加入深度神经网络，会出现高层级的特征）

DeepCTR 简介

深度学习解决CTR模型天然的会有这些优势：

• 数据稀疏的问题采用深度模型似乎会有着不错的效果。
• 特征之间的组合关系可以采用深度学习模型自动提取。
• 一些经典的FM,LR模型可以和深度学习模型做结合，能够产生出更好的效果。

这里我先介绍一下DeepCTR这个领域的发展过程，在CTR预估的深度算法领域有三条主要的路线：

• 1.基于模型并行 组合的 Wide&Deep这条路线
• 2.基于模型串行 组合的FNN 这条路线
• 3.融入历史行为感知变化的YouTube Net 这条路线

这里我简单解释一下1和2的区别：

1. 模型并行的意思就是，浅层模型和深度学习模型

文章来源: wenyusuran.blog.csdn.net，作者：文宇肃然，版权归原作者所有，如需转载，请联系作者。

原文链接：wenyusuran.blog.csdn.net/article/details/107337983