如何建模特征之间的交互关系，在推荐系统中至关重要。传统的 Logistic Regression 模型，简单有效，依赖专家经验进行特征交互设计。Factorization Machine 模型有效建模了二阶特征交互。而深度学习模型以其优秀的特征表达能力，在推荐系统占据一席之地。在深度学习模型中，特征交互的设计也是尤为重要。我们对现有的几种设计方式进行总结，并且提出了创新性的方案。AutoML，在计算视觉中的图像分类问题中，自动设计出各种新颖的神经网络，不断刷新各类竞赛的精度上限。演讲中也会介绍 AutoML 技术在特征交互的设计上如何发挥优势。

演讲提纲：

1. 推荐系统的技术演进路线
2. 浅层模型中的特征交互
   • Logistic Regression 模型
   • Factorization Machine 模型及其变种
3. 深度模型中的特征交互：
   • 整体框架结构
   • 特征交互层的业界设计方案
   • DeepFM 模型与 PIN 模型（自研模型与落地）
4. AutoML 技术特征交互中的应用：
   • 业界应用情况，与具体的方向
   • 浅层模型中的 AutoML：AutoCross 与 AutoFIS 模型（自研模型与落地）
   • 深度模型中的 AutoML：AutoGroup 与 AutoPIN 模型（自研模型与落地）

听众收益：

1. 了解推荐系统中的特征交互
2. 了解如何设计基于深度学习的推荐系统模型
3. 了解 AutoML 技术在推荐系统中的应用
4. 了解以上技术在工业界的落地情况