更新文档结构

2022-04-03 17:17:08 +08:00
parent de6b98d455
commit 9cdc812ca3
12 changed files with 12 additions and 2 deletions
--- a/docs/推荐算法基础/经典召回模型/基于协同过滤的召回/readme.md
+++ b/docs/推荐算法基础/经典召回模型/基于协同过滤的召回/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/推荐算法基础/经典召回模型/基于向量的召回/readme.md
+++ b/docs/推荐算法基础/经典召回模型/基于向量的召回/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/推荐算法基础/经典召回模型/基于图的召回/readme.md
+++ b/docs/推荐算法基础/经典召回模型/基于图的召回/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/推荐算法基础/经典召回模型/基于序列的召回/readme.md
+++ b/docs/推荐算法基础/经典召回模型/基于序列的召回/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/推荐算法基础/经典召回模型/基于树模型的召回/readme.md
+++ b/docs/推荐算法基础/经典召回模型/基于树模型的召回/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/推荐算法基础/经典排序模型/Wide&Deep系列/readme.md
+++ b/docs/推荐算法基础/经典排序模型/Wide&Deep系列/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/推荐算法基础/经典排序模型/多任务学习/readme.md
+++ b/docs/推荐算法基础/经典排序模型/多任务学习/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/推荐算法基础/经典排序模型/序列模型/readme.md
+++ b/docs/推荐算法基础/经典排序模型/序列模型/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/推荐算法基础/经典排序模型/特征交叉/readme.md
+++ b/docs/推荐算法基础/经典排序模型/特征交叉/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/推荐系统概述/readme.md
+++ b/docs/推荐系统概述/readme.md
@@ -0,0 +1 @@
+# README
--- a/docs/第一章推荐系统基础/1.2
+++ b/docs/第一章推荐系统基础/1.2
@@ -94,7 +94,7 @@ Cross&Deep模型的原理就是这些了，其核心部分就是Cross Network，

 ## 3. 代码实现

-下面我们看下DCN的代码复现，这里主要是给大家说一下这个模型的设计逻辑，参考了deepctr的函数API的编程风格， 具体的代码以及示例大家可以去参考后面的GitHub，里面已经给出了详细的注释， 这里主要分析模型的逻辑这块。关于函数API的编程式风格，我们还给出了一份文档， 大家可以先看这个，再看后面的代码部分，会更加舒服些。下面开始： 
+下面我们看下DCN的代码复现，这里主要是给大家说一下这个模型的设计逻辑，参考了deepctr的函数API的编程风格， 具体的代码以及示例大家可以去参考后面的GitHub，里面已经给出了详细的注释， 这里主要分析模型的逻辑这块。关于函数API的编程式风格，我们还给出了一份文档， 大家可以先看这个，再看后面的代码部分，会更加舒服些。

 从上面的结构图我们也可以看出， DCN的模型搭建，其实主要分为几大模块， 首先就是建立输入层，用到的函数式`build_input_layers`，有了输入层之后， 我们接下来是embedding层的搭建，用到的函数是`build_embedding_layers`， 这个层的作用是接收离散特征，变成低维稠密。 接下来就是把连续特征和embedding之后的离散特征进行拼接，分别进入wide端和deep端。 wide端就是交叉网络，而deep端是DNN网络， 这里分别是`CrossNet()`和`get_dnn_output()`, 接下来就是把这两块的输出拼接得到最后的输出了。所以整体代码如下：