1. 粗排


2. 特征交叉

Factorized Machine(FM)

适用早起用线性回归、逻辑回归时的替换方案，现很多已过时

DCN

DCN介绍及代码

应用于召回和排序

交叉层即对每一层的输出都乘一个原始输入 X_0，随后加残差。DCN 主要用于增强特征组合的表达能力，同时不增加模型参数。

LHUC/ppNet

只能用于精排

Tip：说话者特征过的两个神经网络最后一层输出都是 sigmoid*2（为什么乘 2？王树森说是扩大或缩小语音信号）。
在推荐系统中，语音信号换成了物品特征，说话者特征换成用户特征。

SENet

对 m 个物品的 k 维特征向量做 SENet：

SENet 对每个特征向量做 avgpool，所以不同物品的特征向量维度大小可以是不一样的，他们 avgpool 的结果是一样的。

3. 行为序列

用户历史行为序列建模

DIN 模型

候选物品：eg. 粗排选出了 100 个物品，精排要从这 100 个中再选 10 个，精排要给这 100 个打分，那这 100 个就是候选物品
LastN 物品：用户历史最近交互过的 N 个物品

DIN 模型就是把平均替换成了加权平均。可以利用候选物品来计算权值，比如计算内积（其实就是 attention）


SIM 模型

实践中简单有效



4. 重排