小结：
1、
是否能设计一种DNN的特定网络结构来改善DNN，使得其学习起来更加高效
https://mp.weixin.qq.com/s/lF_WLAn6JyQqf10076hsjA
Deep & Cross Network for Ad Click Predictions
计算广告CTR预估系列(十一)--谷歌DCN模型理论与实践
随着DNN在计算机视觉、自然语言处理、语音识别等领域取得重要进展，DNN几乎无限的表达能力被广泛的研究。同样也尝试被用来解决web产品中输入高维高稀疏的问题。DNN可以对高维组合特征进行建模，但是DNN是否就是针对此类问题最高效的建模方式那？直到现在，业界也没有一个准确的答案。
在Kaggle上的很多比赛中，大部分的获胜方案都是使用的人工特征工程，构造低阶的组合特征，这些特征意义明确且高效。而DNN学习到的特征都是高度非线性的高阶组合特征，含义非常难以解释。那么是否能设计一种DNN的特定网络结构来改善DNN，使得其学习起来更加高效那？
业内进行了很多探索，DCN就是其中一个。
计算广告CTR预估系列往期回顾
计算广告CTR预估系列(一)--DeepFM理论
计算广告CTR预估系列(二)--DeepFM实践
计算广告CTR预估系列(三)--FFM理论与实践
计算广告CTR预估系列(四)--Wide&Deep理论与实践
计算广告CTR预估系列(五)--阿里Deep Interest Network理论
计算广告CTR预估系列(六)--阿里Mixed Logistic Regression
计算广告CTR预估系列(七)--Facebook经典模型LR+GBDT理论与实践
计算广告CTR预估系列(八)--PNN模型理论与实践
计算广告CTR预估系列(九)--NFM模型理论与实践
计算广告CTR预估系列(十)--AFM模型理论与实践