接着广告模型初探（二），这篇咱们主要聊聊广告预估模型集大成者DNN派系。
0.DNN模型
DNN网络结构
模型结构较为简单，不再赘述。重点关注一下Embedding部分，和NLP里面的Embedding层类似，在广告模型中Embedding层会对不同类型的特征进行如下变换：
单值离散特征：直接Embedding
多值离散特征：在Embedding 之后接上Sum Pooling 从而将多值映射为单个Embedding（Average Pooling也未尝不可）
数值型特征：一般先进行离散化（如特征分桶之类）转化为类似单值离散特征来处理
1.DeepFM模型
DeepFM网络结构
DeepFM模型可以分为两个部分，一部分是上篇中提到的FM模型，另一部分就是本篇中提到的DNN模型。最终输出结果通过下面公式计算得到：
从上面网络结构图中可以看到，最底层是输入的稀疏的原始特征，接着进入了Embedding层，将特征限定到有限的向量空间中，接着分别进入FM和DNN层。FM部分主要考虑的是低阶特征（主要是二阶特征）而DNN部分主要获取的是高阶特征，FM和DNN层共享Embedding。
2.SDNN模型
SDNN网络结构
相比于前面两个模型，SDNN模型的结构更为复杂，当然相应的效果也是更优的。从图中可以看出，SDNN模型分为两个阶段，一个阶段是Join阶段、一个阶段是Update阶段。图中的slot1，slot2指的是不同的特征，fea1，fea2表示的不同特征的不同取值，举个例子:slot1表示用户的兴趣爱好，fea1表示足球，fea2表示篮球。不同的fea1和fea2我们会统计show和click的值，最终累加在一起，得到对应的slot1的特征的show和click值。当然show和click对应的值最终也是通过embedding化之后加入模型中训练的。
与之前不同的是，这里的embedding是一种动态的embedding，刚开始默认的维度可以设置为1，当show&click达到一定的阈值之后，会扩展为fix+dynamic的形式。需要注意的是在Join阶段主要更新的是NN参数，从图中也可以看出梯度只回传到normalization就停止了，而在Update阶段主要更新的是Embedding参数。
之所以采用两阶段的训练方式，主要是为了：
保持线上线下预估的一致性
线上预估embedding是pass内固定的，而Update NN学习的是动态变化的embedding的NN
至此，广告模型初探系列完结，下一篇和大家聊聊广告算法工程师的日常。后会有期！
欢迎关注微信公众号：计算广告那些事儿
