精排特征交叉与深层表征融合

定义

精排特征交叉与深层表征融合，是把显式特征组合与神经网络学习的高阶表示汇入同一精排模型的建模方式。

核心判断

精排模型需要同时利用有明确业务语义的低阶特征组合与深层网络学习的非线性关系。Wide & Deep 并行融合人工交叉与 DNN；DeepFM 利用 FM 学习二阶交互并与 DNN 共享特征嵌入；DLRM 则显式计算嵌入间交互后交由顶部网络组合。它们的交互位置、参数共享方式和成本不同，不能仅按模型名称替换。

工程检查

固定特征与训练样本，对照线性/FM、纯 DNN 与融合模型；检查 ID 与统计特征的时间边界、交叉特征覆盖率、Embedding 维度、稀疏参数量和推理耗时。分别消融显式交叉与深层分支，并在相同延迟预算下比较预估指标及线上收益。

本书依据

《第十二章-精排模型.pdf》，PDF 第 8–30 页（12.4.1 显式特征交互与深层表征融合的模型架构，含 Wide & Deep、DeepFM 和 DLRM）。

扩展说明

若线上预算不足，可以先筛选高价值交叉或压缩嵌入；更复杂的交叉结构并不保证在已有特征体系下持续带来增量。