下面結合廣告推薦系統常見的深度學習模型（比如 Wide & Deep、DeepFM、Two-Tower 等），介紹一下“模型的結構信息”、Dense 數據和 Sparse 數據在訓練過程中的角色及處理方式。

1. 模型結構信息

   • 輸入層（Input Layer）
     ? Sparse 輸入：各類離散高維特征（用戶 ID、廣告 ID、性別、興趣標簽、地域等）
     ? Dense 輸入：各類連續或低維數值特征（用戶年齡、廣告曝光時長、歷史點擊率、價格、設備指標等）
   • Embedding 層（僅對 Sparse 特征）
     ? 把每個稀疏 one-hot／multi-hot 特征映射到一個低維實數向量。
     ? Embedding lookup 后，得到每個類別特征的 d 維稠密向量。
   • 特征交叉（可選）
     ? Wide 組件：對原始特征或特征交叉做線性模型；
     ? Deep 組件：把多個 embedding 向量拼接（concat）或做內積、FM 二階交叉，再進入 MLP。
   • MLP（全連接網絡層）
     ? 若干層全連接 + 激活（ReLU、PReLU、Dice 等），用于學習復雜非線性特征交互。
   • 輸