本文是2022年的第一篇文章，给大家带来CIKM2021上中稿的一篇文章，提出了Deep Cross Attentional Product Network（以下简称DCAP），在显式建模高阶特征交互的基础上，引入自注意力机制来刻画不同交叉特征对于预测的重要性，一起来看一下。
1、背景
论文关注的如何通过特征建模，对用户的交互行为进行预测，如用户是否会点击某个广告，是否会对推荐内容产生兴趣等等，如下图所示：
从上图也可以看到，用户的特征往往是多域的离散特征，如国家、性别等。同时，对于交叉特征的建模在预测任务中是十分重要的。由于人工设计交叉特征费时费力，同时对于业务敏感度也有较高的要求，因此业界的研究大都关注如何进行自动化的交叉特征建模，从使用FM来建模二阶的交叉特征，到使用FM和DNN相结合的方法如DeepFM、NFM进一步建模二阶和更高阶的交叉特征。但上述的方法存在两方面的问题：
1）DNN对于交叉特征的建模是隐式的，可解释性差
2）得到的交叉特征，对于所有的样本都使用相同的权重，但对于不同的样本来说，不同的特征的重要程度是不相同的，需要加以区分
上述两方面的问题，其实有一些工作已经进行了优化，如针对隐式建模的问题，有DCN、XDeepFM等相关工作提出；针对特征权重问题，如AFM，以及引入门控机制如GateNet等工作。而本文则是提出了Deep Cross Attentional Product Network，下一章节对DCAP进行介绍。
2、DCAP介绍
论文提出的DCAP整体结构如下图所示：
整体的模型结构还是比较容易理解，本文主要对DCAP的核心结构即上图右侧的部分进行介绍。
输入的特征，经过Embedding层，得到最初的输入，计作X（维度为n*d），经过每一层子网络，都会得到相应阶数的交叉特征的输出。接下来，顺着上图右侧，介绍如何从第l阶特征交互X(l)（维度为n*d）得到第l+1层特征交互X(l+1)（维度为n*d）。过程计算如下：
首先X(l)经过多头自注意力网络，得到Z(l+1)（维度为n*d），经过自注意力机制，就实现了对不同交叉特征重要性的区分。关于自注意力机制的内容，网上的内容很多，本文就不再进行赘述。
接下来，通过内积或外积的方式得到vector-vise的乘积向量P(l+1)（维度为n(n-1)/2*d）,P(l+1)可以看作是第l+1阶的交叉特征。内积和外积的计算方式如下：
而P(l+1)的维度为n(n-1)/2*d，为什么是n(n-1)/2呢，这里主要是在计算交叉特征时，对下标进行了一定的限制，另一方面，是对第l+1层的自注意力机制部分的输出与原始输入X进行的内积或外积计算，这里使用了DCN的思路显式建模特征交叉：
随后，对P(l+1)在最后一维上进行sum pooling操作，得到该层的输出Y(l+1)（维度为n(n-1)/2），作为后续的MLP层的输入：
最后，无论是P(l+1)，还是Y(l+1)，都不能用于下一层的输入，因此需要进一步进行转换，将n(n-1)/2 *d维，转换成n*d维，论文采用的是1D average pooling的方式，将 P(l+1)转换为X(l+1)（从这里可以看出，论文给出的模型结构图是存在一定问题的，个人感觉应该将Y替换为P）。1D average pooling的计算方式如下：
上述就是DCAP核心结构的介绍，在得到每一层的输出Y(l+1)之后，与展平后的X进行拼接，经过MLP后的到预估值：
3、实验结果
最后来简单看一下论文的实验结果：
好了，论文就介绍到这里，论文本身在模型结构的创新点并不多，更像是一些现有网络的融合，如DCN、PNN等，感兴趣的小伙伴可以看下原文～～
