背景
這是阿里發的一篇 Multi-Domain CTR 預估論文，本質上就是一個multitask模型
模型結構
star模型結構如上圖所示，和普通的ctr模型對比，主要有以下幾個區別：
1. BN層換成了PN，簡單來說就是對不同domain的樣本采用了不同的BN
2. Star Topology FCN，不同domain有一個共享的FCN，每個domain也有自己的FCN
3. 加了一個輔助任務，強化模型區分不同domian
Partitioned Normalization
batch normalization (BN) 是模型中常見的一種結構
訓練時：
預估時：
BN假設了所有的樣本都是服從相同分布的，BN適合單domain的任務，對於多domain的任務，阿里star提出了partitioned normalization結構
訓練時：
預估時：
和普通BN相比，PN有以下幾點不同：
1. 每個mini batch的樣本要屬於同一個domain
2. 訓練時，不僅學習了所有domain共享的一對參數（γ，β），對於每個domain還另外學習了一對參數（γp，βp）
3. 預估時，每個domain都要計算它的期望和方差
Star Topology FCN
Star Topology FCN的結構如上圖所示，由一個每個domian共享的FCN和多個每個domain私有的FCN組成
Auxiliary Network
為了加強模型對各個domain的區分能力，阿里star網路引入了一個輔助任務。每個domain的標識是一個ID特征，也會學習它的embedding，concat到其它特征上，然后通過兩層的FCN得到一個1維的值
這里標記主任務的輸出為sm，輔助任務的輸出時sa，那么最終的輸出是：
這個輔助任務可以理解為為每個子任務學習了一個bias
Loss
