Feature Interaction

单个 feature 往往没有足够含义，推荐决策依赖组合关系，例如“用户兴趣 × 内容主题 × 当前场景”。Feature interaction 的目标是在可控参数量和 latency 下学习这些组合。

Method Map

Method	Interaction bias	Strength	Cost
Manual cross	人工指定组合	可解释、精确注入领域知识	覆盖有限、维护成本高
Factorization Machines	低秩二阶交互	稀疏场景参数共享	高阶表达有限
Deep & Cross Network	显式 bounded-degree cross	可控地增加交互阶数	结构和宽度需调节
SENet	动态 feature reweighting	学习样本相关的重要性	不等同于显式组合
LHUC	个性化 hidden-unit scaling	低成本适配人群或用户	依赖稳定条件信号

Review a Cross Module

1. 输入是 raw field、embedding 还是已经混合的 representation？
2. 模块能表达到哪一阶交互，是否有明确归纳偏置？
3. 参数和计算随 field 数怎样增长？
4. 高频 feature 是否压制长尾 feature？
5. 在线新增、缺失或漂移 feature 时怎样退化？

离线提升需要结合 calibration、线上 latency 和 feature freshness 验证，不能假设“更复杂交互一定更好”。