deep-ctr

基于TensorFlow实现基本的CTR预估DNN模型

• 实现 LR
• 实现 DNN(Embedding + MLP)
• 实现 DNN + LR (wide & deep)
• 实现 DeepFM (DNN + FM + LR)
• 数据集请使用脚本 0_download_raw.sh 下载,便于对比,请在README文件中报告你的测试集上的效果!便于横向对比 数据预处理请依次执行:
  1. 1_convert_pd.py
  2. 2_remap_id.py
  3. build_dataset.py
• 启动代码参考 getstart/ 目录
• 完成基本的实验报告
  1. 实验原理
  2. 主要步骤
  3. 实验结果
  4. 自己的思考
• 思考下列问题
  1. LR为什么要做特征交叉,其物理意义或者业务意义是什么?请举一个例子,用自己的语言说明这种交叉的意义
  2. FM 和 DNN 中的embedding有什么相同之处,有什么不同之处?请论证这里的FM实现和基本FM中的实现等价
  3. 思考怎么实现如下正则? 如果某个id出现的次数过少或者虽然出现很多次但是这个id加或者不加对模型没有影响, 怎么将它的embedding向量全部置0? 试着在你的DNN模型中增加这种正则

实现列表

提交PR的时候,请在下方列出你的项目

• getstart
• tracholar