1. 概述DLRM（Deep Learning Recommendation Model）[1]是Facebook在2019年提出的用于处理CTR问题的算法模型，与传统的CTR模型并没有太大的差别，文章本身更注重的是工业界对于深度模型的落地，在文中介绍了很多深度学习在实际落地过程中的细节，包括如何高效训练。在此我们更多的是关注模型本身，尝试揭开DLRM模型的本质。在DLRM模型中，突出解决两个问题

这篇文章是阅读《Wide & Deep Learning for Recommender Systems》后的总结，该文章中提出结合Wide模型和Deep模型的组合方法，对于提升推荐系统（Recommendation System）的性能有很重要的作用。1、背景本文提出Wide & Deep模型，旨在使得训练得到的模型能够同时获得记忆（memorization）..

1. 概述2. 算法原理参考文献Chen Q , Zhao H , Li W , et al. Behavior Sequence Transformer for E-commerce Recommendation in Alibaba[J]. 2019.阿里推荐算法（BST）: 将Transformer用于淘宝电商推荐

Google 2017年发表的Deep&Cross Network（DCN）同样是对Wide&Deep的进一步改进，主要的思路使用Cross网络替代了原来的Wide部分。其中设计Cross网络的基本动机是为了增加特征之间的交互力度，使用多层cross layer对输入向量进行特征交叉。单层cross layer的基本操作是将cross layer的输入向量xl与原始的输入向量x0进

1. 概述DLRM（Deep Learning Recommendation Model）[1]是Facebook在2019年提出的用于处理CTR问题的算法模型，与传统的CTR模型并没有太大的差别，文章本身更注重的是工业界对于深度模型的落地，在文中介绍了很多深度学习在实际落地过程中的细节，包括如何高效训练。在此我们更多的是关注模型本身，尝试揭开DLRM模型的本质。在DLRM模型中，突出解决两个问题

1. 概述PNN的全称是Product-based Neural Network，PNN的关键在于在embedding层和全连接层之间加入了Product layer。传统的DNN是直接通过多层全连接层完成特征的交叉和组合的，但这样的方式缺乏一定的“针对性”。首先全连接层并没有针对不同特征域之间进行交叉；其次，全连接层的操作也并不是直接针对特征交叉设计的。但在实际问题中，特征交叉的重要性不言而喻，

在Linux Shell中进行数学运算，通常可以使用的运算符有：简单运算：let[](())高级运算：exprbc1、let命令let命令是bash内置命令，可以实现简单的算术以及逻辑运算，通过help let命令，可以查询到let命令的具体使用方法。使用方法：#!/bin/shi=10echo $ilet i=i+10 #20echo $ilet "i=i+100" #12

1、多线程的问题引入多线程的最大的特点是资源的共享，但是，当多个线程同时去操作（同时去改变）一个临界资源时，会破坏临界资源。如利用多线程同时写一个文件：#include <stdio.h>#include <pthread.h>#include <malloc.h>const char filename[] = "hello";void* thread(void *id){int

标准库vector类型是C++中使用较多的一种类模板，vector类型相当于一种动态的容器，在vector中主要有一些基本的操作，接下来分别从以下的几个方面总结：vector对象的定义和初始化vector对象的基本操作，主要包括添加元素，遍历等1、vector对象的定义和初始化在vector中主要有四种定义和初始化的方法：1.1、定义空的vector定义的方法为：vector<T> v;1.

一、BFGS算法在“优化算法——拟牛顿法之BFGS算法”中，我们得到了BFGS算法的校正公式：利用Sherman-Morrison公式可对上式进行变换，得到令，则得到：二、BGFS算法存在的问题在BFGS算法中，每次都要存储近似Hesse矩阵，在高维数据时，存储浪费很多的存储空间，而在实际的