前言

CTR預估模型的特點：

• 毫無疑問這個任務的是個二分類任務，預測點擊與否。
• CTR 預估的特征一般是 用戶的日志特征和畫像特征，包含類別特征和數值型特征兩種。
• 此任務的評估指標是 AUC 得分 或者 Logloss，facebook2014年的論文指出Logloss可能是相對來說較好的一個評估指標。

存在以下問題：

• 特征稀疏性的問題如何解決。
• 特征直接的組合關系如何挖掘,交互特征如何學習。
• 如何感知用戶興趣隨時間的變化。
• 最后一點是深度模型自帶問題，就是如何利用好將不同層級的特征。（由于加入深度神經網絡，會出現高層級的特征）

DeepCTR 簡介

深度學習解決CTR模型天然的會有這些優勢：

• 數據稀疏的問題采用深度模型似乎會有著不錯的效果。
• 特征之間的組合關系可以采用深度學習模型自動提取。
• 一些經典的FM,LR模型可以和深度學習模型做結合，能夠產生出更好的效果。

這里我先介紹一下DeepCTR這個領域的發展過程，在CTR預估的深度算法領域有三條主要的路線：

• 1.基于模型并行 組合的 Wide&Deep這條路線
• 2.基于模型串行 組合的FNN 這條路線
• 3.融入歷史行為感知變化的YouTube Net 這條路線

這里我簡單解釋一下1和2的區別：

模型并行的意思就是，淺層模型和深度學習模型

總結

以上是生活随笔為你收集整理的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）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。