第三章 CTR预估模型核心技术（DCN、DeepFM 等）

问题：请简述 DeepFM 模型的核心思想和结构。

考察点：对 DeepFM 整体架构的理解，FM 与 DNN 如何协同工作，是否掌握共享 Embedding 与联合训练。

回答框架：① 整体结构 = FM（线性 + 二阶交叉） + DNN（高阶交叉） → ② 两者共享 Embedding 层 → ③ 端到端训练，无需预训练。

示例回答：DeepFM 将 FM 的线性部分与二阶特征交叉同 DNN 的高阶非线性部分组合，共享底层 Embedding。FM 处理低阶特征组合，DNN 学习高阶模式，无需人工特征工程，端到端联合优化，在稀疏场景下表现优异。

可能追问：DeepFM 与 Wide & Deep 的核心区别？如何处理特征交叉阶数的控制？

避坑提醒：不要只说“FM + DNN 拼接”，必须强调共享 Embedding 和联合训练；避免遗漏 FM 的二阶显式交叉。

问题：DCN V2 相比 DCN 有哪些改进？适用什么场景？

考察点：是否了解 DCN 系列演进，Cross Network 的改进细节与参数效率。

回答框架：① DCN V2 引入参数矩阵（非共享） → ② 支持特征维度变换 → ③ 使用矩阵分解降维 → ④ 适合特征维度高、交叉复杂的场景。

示例回答：DCN V2 在每层 Cross Network 中引入独立的参数矩阵，并采用矩阵分解降低参数量。相比 DCN 的向量共享，它可以学习更丰富的特征交互，尤其适合高维稀疏特征场景，但计算开销略有增加。

可能追问：DCN V2 的矩阵分解具体怎么实现？如何平衡交叉与深度部分的比例？

避坑提醒：不要只说“加了参数”，必须解释矩阵分解降维的动机；避免忽略与原始 DCN 的参数量对比。

问题：在 CTR 预估中如何处理特征交叉？对比 FM、DCN、DeepFM 的交叉方式。

考察点：对不同模型特征交叉机制的理解，能否清晰对比。

回答框架：① FM：隐向量点积，显式二阶交叉 → ② DCN：叠层交叉，逐层组合 → ③ DeepFM：FM 低阶 + DNN 高阶混合。

示例回答：FM 通过隐向量内积显式建模全部二阶交叉；DCN 使用 Cross Network 逐层组合特征，实现高阶交叉；DeepFM 融合两者，FM 处理低阶，DNN 处理高阶，互补效果更好。实践中 DeepFM 更通用，DCN 在特征维度极大时效率更高。

可能追问：如何选择交叉方式？代码中怎样高效实现二阶交叉？

避坑提醒：避免“DCN 一定比 DeepFM 好”的表述，需强调场景依赖；注意说清 FM 的交叉是显式的，而 DCN 是隐式学习。