背景
这是阿里发的一篇 Multi-Domain CTR 预估论文，本质上就是一个multitask模型
模型结构
star模型结构如上图所示，和普通的ctr模型对比，主要有以下几个区别：
1. BN层换成了PN，简单来说就是对不同domain的样本采用了不同的BN
2. Star Topology FCN，不同domain有一个共享的FCN，每个domain也有自己的FCN
3. 加了一个辅助任务，强化模型区分不同domian
Partitioned Normalization
batch normalization (BN) 是模型中常见的一种结构
训练时：
预估时：
BN假设了所有的样本都是服从相同分布的，BN适合单domain的任务，对于多domain的任务，阿里star提出了partitioned normalization结构
训练时：
预估时：
和普通BN相比，PN有以下几点不同：
1. 每个mini batch的样本要属于同一个domain
2. 训练时，不仅学习了所有domain共享的一对参数（γ，β），对于每个domain还另外学习了一对参数（γp，βp）
3. 预估时，每个domain都要计算它的期望和方差
Star Topology FCN
Star Topology FCN的结构如上图所示，由一个每个domian共享的FCN和多个每个domain私有的FCN组成
Auxiliary Network
为了加强模型对各个domain的区分能力，阿里star网路引入了一个辅助任务。每个domain的标识是一个ID特征，也会学习它的embedding，concat到其它特征上，然后通过两层的FCN得到一个1维的值
这里标记主任务的输出为sm，辅助任务的输出时sa，那么最终的输出是：
这个辅助任务可以理解为为每个子任务学习了一个bias
Loss
