0、参考文献
https://mp.weixin.qq.com/s/XD6qFpt8FdLTy2PcrLiTIA
1、 推荐算法套路
（1）排序模型一般都衍生自Google的Wide & Deep模型，有一个浅层模型（LR或FM）负责记忆，DNN负责扩展
（2）特征一般都采用类别特征。画像、用户历史天然就是高维、稀疏的类别特征。对于实数型特征，比如用户、物料的一些统计指标，在我的实践中，也通过分桶，先离散化成类别特征，再接入模型
（3）每个类别特征经过Embedding变成一个向量，以扩展其内涵。
（4）属于一个Field的各Feature Embedding需要通过Pooling压缩成一个向量，以减少DNN的规模
（5）多个Field Embedding拼接在一起，喂入DNN
（6）DNN通过多层Fully Connection Layer (FC)完成特征之间的高阶交叉，增强模型的扩展能力。
2、关键点
- 记忆与扩展是推荐算法两大经典、永恒的主题。如何实现扩展？靠的是Embedding和特征之间的交叉。
- Embedding化“精确匹配”为“模糊查找“，大大提升了推荐算法的扩展能力，是”深度学习应用于推荐系统“的基石。
- 高维、稀疏的类别特征是推荐系统中的一等公民。为了弥补单个类别特征表达能力弱的问题，需要Embedding扩展其内涵，需要交叉扩展其外延。
- 高维特征空间直接接入DNN，会引发参数规模的膨胀。为解决这一难题，Field & Pooling应运而生。
