转自：https://zhuanlan.zhihu.com/p/104307718
背景
在推荐、搜索、广告等领域，CTR（click-through rate）预估是一项非常核心的技术，这里引用阿里妈妈资深算法专家朱小强大佬的一句话：“它（CTR预估）是镶嵌在互联网技术上的明珠”。
本篇文章主要是对CTR预估中的常见模型进行梳理与总结，并分成模块进行概述。每个模型都会从「模型结构」、「优势」、「不足」三个方面进行探讨，在最后对所有模型之间的关系进行比较与总结。本篇文章讨论的模型如下图所示（原创图），这个图中展示了本篇文章所要讲述的算法以及之间的关系，在文章的最后总结会对这张图进行详细地说明。
目录
本篇文章将会按照整个CTR预估模型的演进过程进行组织，共分为7个大部分：
- 分布式线性模型
- Logistic Regression
- 自动化特征工程
- GBDT+LR
- FM模型以及变体
- FM（Factorization Machines）
- FFM（Field-aware Factorization Machines）
- AFM（Attentional Factorization Machines）
- Embedding+MLP结构下的浅层改造
- FNN（Factorization Machine supported Neural Network）
- PNN（Product-based Neural Network）
- NFM（Neural Factorization Machines）
- ONN（Operation-aware Neural Networks）
- 双路并行的模型组合
- wide&deep（Wide and Deep）
- deepFM（Deep Factorization Machines）
- 复杂的显式特征交叉网络
- DCN（Deep and Cross Network）
- xDeepFM（Compressed Interaction Network）
- AutoInt（Automatic Feature Interaction Learning）
- CTR预估模型总结与比较
- CTR预估模型关系图谱
- CTR预估模型特性对比
更多详细内容请查看原网站：