第四范式
树模型对于高维离散特征效果不好
逐域网络 Field-wise network
跨域网络 Across field
补充：FM
融合网络
逐域网络数量多（1000个域有1000个DNN），但比较轻量
拼起来丢进去算，连续的做一次，离散的做一次
聚类：tSNE
域内相似度更搞，域与域距离更大
LR 线性组合
FM 两两内积
Attention 有选择性地学习
用什么没有定论，需要大量实验
把好的operator放进来，用不用当做超参数，用数据驱动的方式选择operator。
上面的数据是千万级的
下面的数据是百万级的
堆叠了这么多层会不会使效果更差？是的
采用逐层监督的方式
对于label而言，中间层也有区分度
借鉴了谷歌的网络
针对每层设置不同的权重，下面的权重低一点，上面的权重高
随着训练decay下面的weight
实际预测删除Aux Loss
前3个是公开数据集，后3个是他们客户的数据
NFM倾向于做推荐系统，而不是CTR
把模型拿到客户现成试了下
不用关心与模型相关的超参数，只用关系与计算资源相关的超参数
SH问题：给资源该怎么分配
HP：把给资源的方式枚举一遍
过于agressive
重要性采样
HP是在内部对于，跨band对比
数据越大降低的代价越多
腾讯云
spark跑在k8s上
每个worker手动装Python依赖
把依赖打到镜像，算法部署很便利
从spark2.2尝试开始用k8s的方式
官方正式更新后用官方代码
借用AutoKeras
衡量距离时用到了编辑距离
