DCN-v2 深度特征交叉网络

DCN-v2（Deep & Cross Network V2，由 Google 团队在 2021 提出）是一种能够以极低计算复杂度显式学习任意有限阶多项式特征交叉 (Explicit Polynomial Feature Interaction) 的精排架构；其核心为 Cross Network 交叉层：第 $l+1$ 层特征通过递归公式 $x_{l+1} = x_0 \odot (W_l x_l + b_l) + x_l$ 构造，其中 $\odot$ 为逐元素乘积 (Hadamard product)，每经过一层交叉层特征交叉阶数严格增加 1 阶（$l$ 层可建模高达 $l+1$ 阶的完全特征交互）；为在大规模特征维度下降低计算参数量，DCN-v2 创新性引入了低秩矩阵分解 (Low-Rank Decomposition: 将权重矩阵分解为 $W = U V^T$，其中 $U, V \in \mathbb{R}^{d \times r}, r \ll d$) 以及专家混合 (Mixture-of-Experts) 机制。

工业级超大规模推荐精排模型、计算广告 CTR/CVR 预估系统的主力特征交叉骨架。

传统 MLP 只能隐式、不可控地拟合特征交叉，且计算效率低下；初代 DCN 表达能力受限于秩为 1 的投影；DCN-v2 提供了表达力极其强大的全矩阵与低秩显式交叉，在保证生产低延迟的同时大幅超越传统深度模型。

检验攻克程度：针对「DCN-v2 深度特征交叉网络」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。