跳转至

DCN-V2

Fidelity: 核心机制复现。实现低秩 cross experts、输入相关 gate 与 deep tower。

论文信息

项目 内容
论文链接 arXiv 2008.13535
公司/机构 Google
首次公开日期 2020-08-19（arXiv v1）
原文开源代码 否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter dcn-v2
本地复现代码 src/auto_research/reproductions/dcn_v2/

原始论文总结

背景与主要改动

DCN-V2 显式构造有界阶数的特征交互，并用低秩矩阵与专家混合降低 web-scale ranking 的参数和计算成本。

flowchart LR
  X["Embedding x0"] --> C1["Low-rank Cross"]
  C1 --> C2["Mixture of Cross Experts"]
  X --> D["Deep MLP"]
  C2 --> O["Ranking head"]
  D --> O

原论文关键图

DCN-V2 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ x_{l+1}=x_0\odot(W_lx_l+b_l)+x_l,\qquad W_l=\sum_e g_e(x_l)U_eV_e^\top. \]

论文离线与线上效果

论文在 Criteo、MovieLens 与 Google 私有排序数据上优于 DNN/DCN，并报告生产业务指标显著改善，但没有披露精确线上 lift。本文作为用户明确要求的经典架构例外收录，不计入“量化 A/B”集合。

本地复现

本地对照口径：基线是 deep-only；实验组是两层低秩 cross experts 与 gate；三 seed NDCG@10 相对 +22.87%。

auto-research reproduce --paper dcn-v2

结构化结果见 metrics/movielens-100k-seeds42-44.json。

复现边界

未使用 Google 私有数据和生产级专家规模；结果只验证显式交叉在公开数据上的作用。