本文是在再次整理上一篇博客后，根据论文中理解不深刻的内容做了下复盘。作者是业余推荐系统爱好者，望看到本博客并且感兴趣的大佬们多多指点。
在CTR预估任务中利用手工构造的交叉组合特征来使线性模型具有“记忆性”，使模型记住共现频率较高的特征组合，往往也能达到一个不错的baseline，且可解释性强。但这种方式有着较为明显的缺点：
1.特征工程需要耗费太多精力。
2.模型是强行记住这些组合特征的，对于未曾出现过的特征组合，权重系数为0，无法进行泛化。
为了加强模型的泛化能力，研究者引入了DNN结构，将高维稀疏特征编码为低维稠密的Embedding vector，这种基于Embedding的方式能够有效提高模型的泛化能力。但是，基于Embedding的方式可能因为数据长尾分布，导致长尾的一些特征值无法被充分学习，其对应的Embedding vector是不准确的，这便会造成模型泛化过度。
对于数据长尾分布，献上查阅到的最新研究进展博文，请看链接，
对Embedding层的理解有篇博客写的非常好且很有趣，请看博客
代码实现请戳链接，在代码中对每行代码都做了比较详细的说明
其中具体对下面的代码实现示意图解释一下：
首先作者一开始就划分好了哪些是稀疏特征，哪些是稠密特征，然后整理成字典值输入模型，在wide部分和deep部分的输入中其实都含有这两种特征。只是在进去wide部分的稠密特征不做处理，对稀疏矩阵进行一维embedding后和稠密特征一起进行logit，在deep部分，稠密特征会和经过k维embedding的稀疏特征进行输入到dnn网络中，然后进行dnn_logit。最后再把deep部分输出和wide部分输出加和之后用sigmoid激活。