选用的原因？

类似deepfm和FNN等模型的高阶的特征交互来自于dnn部分，但是这样的特征交互是不可控且隐式的，难以描述的
向量级别的特征交互而不是元素级交互
- 经验上，vector-wise的方式构建的特征交叉关系比bit-wise的方式更容易学习
  - 我也不知道具体好在哪，如果有大佬会可以指导一下，感恩
之前用的deepfm在历史数据的拟合上出现了瓶颈：A["篮球","足球","健身"]，B["篮球","电脑","蔡徐坤"]，会给A推荐"蔡徐坤"，但是实际上不合理
- 思路一：改变Memorization为attention网络，强化feature直接的关系，对B进行"电脑"与"蔡徐坤"之间的绑定而不是"篮球"和"蔡徐坤"之间的绑定
- 思路二：改变Memorization为更优化更合理的低价特征交互，比如DCN或者XDeepFM

什么叫显示隐式？什么叫元素级/向量级？什么叫做高阶/低阶特征交互？

借鉴了DeepFm的整体结构，保持了两个部分的组合：低阶特征交互+高阶特征交互，低价特征来记忆高频历史数据场景，高阶特征交互来进行稀疏场景的泛化
- 高阶特征交互：DNN
- 低价特征交互：DCN结构()
  - 这样的网络结构保证来来自X0的1，2，3...N阶的特征组合
借鉴来DCN的交叉网络的特殊结构自动构造有限高阶交叉特征：
流程概述：
- feature embedding
- 构造[batch,field,embedding_size]的input，分别进入DNN、CIN、Linear层
- CIN中：
  - 先记录[batch,field,embedding_size]作为X0，并切分为embedding*[batch,field,1]份
  - 设置三层隐层，单层结点数为200，单层操作如下（以X1为例）：
    - 获取上一次的layer out：X0，并进行切分：embedding*[batch,field,1]
    - 进行外积：embedding*[batch,field,1]*embedding*[batch,field,1]得到[embedding,batch,field,field]
    - 对[embedding,batch,field,field]进行压缩[embedding,batch,field*field]，在对结果进行[1,field*field,output_layer]卷积得到缩[embedding,batch,output_layer]
    - 加偏置项，并进行激活函数处理，完成一轮处理
  - 将若干轮的处理结果按照hidden_size维进行合并，并对embedding维度进行pooling得到[batch,embedding]的output层即为结果
  - 实际过程中，可以对每层对结果进行采样泛化；可以通过最后层输出的残差连接保证梯度消失等等

假设CIN和DNN每层神经元/向量个数都为 H ，网络深度为 L