1. DCN优点
使用Cross Network，在每一层都运用了Feature Crossing，高效学习高阶特征。
网络结构简单且高效
相比DNN，DCN的Logloss值更低，而且参数的数量少了一个数量级。
2. 网络整体结构
主要分为Embedding和Stacking层，利用Embedding将二值化特征转变为实值的稠密向量，Embedding过程中用到的矩阵参数和网络中的其他参数一起训练，然后将Embedding向量和经过归一化的稠密向量Stack到一起作为网络的输入。
其数学表示为：
3. 交叉网络
数学表示为：
总参数量为：
（
为输入向量的维度，
为交叉网络的层数）
4. 深度网络
DNN：
总参数量为：
（输入维度为，
为神经网络层数，每层神经元个数为
）
5. 组合方式
6. 参考博客
https://www.jianshu.com/p/77719fc252fa
https://www.cnblogs.com/cling-cling/p/9922766.html