# Deep Crossing

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第3章 深度学习在推荐系统中的应用
- 页码线索：58-62
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P1
- 标签：deep-crossing, feature-cross, resnet

## 面试问题

Deep Crossing 对推荐模型有什么启发？

## 30 秒回答

Deep Crossing 用 embedding、残差网络和多层非线性结构完成特征表达与交叉，代表了推荐模型从人工交叉向端到端深度结构演进。

## 展开要点

- Embedding 层处理稀疏类别特征。
- Stacking 层拼接多类特征。
- Residual 层提升深层网络训练稳定性。
- Scoring 层输出最终预测分数。

## 高频追问

- 为什么需要残差结构？
- Deep Crossing 如何替代人工特征交叉？
- 这类模型的线上成本如何控制？

## 项目映射

- 把用户、物品、上下文特征输入深度排序模型。
- AI PM 可用它解释“端到端不等于没有工程约束”。

## AI PM 迁移

Deep Crossing 的模块化思路可迁移到 AI 产品：输入表示、特征融合、推理打分、输出决策。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。