1. 深度学习模型拟合能力更强
特征交叉方式中，点积等方式过于简单，在样本数据比较复杂的情况下，容易欠拟合。而深度学习可以大大提高模型的拟合能力，比如在 NeuralCF（神经网络协同过滤）模型中，点积层被替换为多层神经网络，理论上多层神经网络具备拟合任意函数的能力，所以我们通过增加神经网络层的方式就可以解决欠拟合的问题了。
2. 深度学习模型结构更加灵活
（1）深度学习模型结构不尽相同，多数是可以通过堆叠不同作用的网络层，最简单的是串联结构，有的像网状结构，有的像金字塔结构等等。
（2）典型案例是阿里巴巴的 DIN（深度兴趣网络，下图左）和 DIEN（深度兴趣进化网络，下图右），通过在模型结构中引入注意力机制和模拟兴趣进化的序列模型，来更好地模拟用户行为。
其中，DIN 模型在神经网络中增加了一个“激活单元“结构，是为了模仿人类的注意力机制。其改进版 DIEN 模型不仅引入了注意力机制，还用AUGRU单元模拟了用户兴趣随时间的演化过程。
这些改进都是基于实际业务洞察分析的演进，所以需要正确、全面地掌握不同深度学习模型的特点以及发展关系非常重要。
3. 深度学习模型发展关系图
（1）核心结构：多层感知机（MultiLayer Perception，MLP）。
（2）基础结构：AutoRec，一种单隐层的神经网络模型，将自编码器（AutoEncoder）的思想与协同过滤结合。
（3）经典结构：Deep Crossing，在原始特征和MLP之间加入了Embedding层，把输入的稀疏特征先转换成稠密 Embedding 向量，再输入到MLP进行训练，这就解决了MLP不善于处理稀疏特征的问题。因此Embedding+MLP结构是最经典的深度学习推荐模型结构。
（4）广泛应用结构：Wide&Deep，模型分为两部分：Wide部分是浅层的神经网络结构，让模型具备很好的记忆性；Deep部分是深层MLP，让模型具备良好的泛化性，最终把两者结合起来。凭借着易实现、易改造的特点，获得了业界广泛应用。同时还衍生出了诸多变种，比如通过改造 Wide 部分提出的Deep&Cross和DeepFM，通过改造Deep部分提出的AFM、NFM等等。
（5）与其他机器学习子领域交叉：
① 深度学习和注意力机制结合，比如阿里的DIN，浙大和新加坡国立提出的AFM等；
② 把序列模型引入Embedding+MLP的经典结构，比如阿里的DIEN等；
③ 深度学习和强化学习结合，比如微软的DRN（深度强化学习网络），以及包括美团-猜你喜欢、阿里-强化学习在阿里的技术演进与业务创新在内的非常有价值的业界应用。
4. 演进规律
（1）改变神经网络的复杂程度
从最简单的单层神经网络模型 AutoRec，到经典的深度神经网络结构 Deep Crossing，它们主要的进化方式在于增加了深度神经网络的层数和结构复杂度。
（2）改变特征交叉方式
这种演进方式的要点在于大大提高了深度学习网络中特征交叉的能力。比如改变了用户向量和物品向量互操作方式的NeuralCF，定义了多种特征向量交叉操作的 PNN 等等。
（3）把多种模型组合应用
组合模型主要指的就是以 Wide&Deep 模型为代表的一系列把不同结构组合在一起的改进思路。它通过组合两种甚至多种不同特点、优势互补的深度学习网络，来提升模型的综合能力。
（4）让深度推荐模型和其他领域进行交叉
我们从 DIN、DIEN、DRN 等模型中可以看出，深度推荐模型无时无刻不在从其他研究领域汲取新的知识。从今年的推荐系统顶会 Recsys2020 中可以看到，NLP 领域的著名模型 Bert 又与推荐模型结合起来，并且产生了非常好的效果。一般来说，自然语言处理、图像处理、强化学习这些领域都是推荐系统经常汲取新知识的地方。
下一篇详细记录深度学习模型。
参考资料
《深度学习推荐系统实战》 -- 极客时间，王喆
