1.1 深度学习在各个领域的应用

目前较为热门的GAN（生成式对抗网络）

1.2 CTR任务

一、当深度学习遇到CTR预估

CTR任务：给定一个商品，给定一个环境，用户购买此商品的概率。应用范围较广。例如有如下场景。

 

比如：输入一部电影，预测会打几分（右边的1，2，3，4，5代表预测分值）

蓝色框：用户

橙色框：电影

黄色框：用户过去看过那些电影，大国那些分数

绿色框：时间

酒红框：相关特征

CTR任务特点：

1. 大量离散特征
2. 大量高维度稀疏特征
3. 特征工程：特征组合对于效果非常关键

 二、传统主流CTR预估方法

1.线性模型：思路及问题

 泛化能力弱：在训练数据中没有的特征，遇到之后便无法处理。

2.FM模型

 3.GBDT模型

 

  

 1.3深度学习基础模型

1.前向神经网络（MLP）

与上一层的关系：全连接

 第一步：对输入值加权求和

 第二步：非线性变换（压缩函数）

目前用的比较多的是ReLU激活函数（如何输入值小于0给0值，大于0，输入何值则为何值）

2.CNN(图像处理)

  输入层一张图片---卷积层--池化层--卷积层--全连接层--输出层

 卷积层：一个卷积核在捕获一个特征。

 在四个里面取最大值输出。参数量越少，模型越小。

 3.RNN(自然语言)

基本结构：

• 输入层
• 隐层
• 输出层 

 输入层，前向层、后向（逆向）层、输出层。------引入双向。

4.LSTM（RNN的改进）

输入层---输入门（控制信息是否可以进入）---遗忘门（控制上个门传入的信息，1代表原封不动传递，0代表屏蔽）---输出们（给人看到多少信息） 

 2.深度学习CTR模型要解决的几个关键问题