Wide & Deep学习笔记

背景

用于推荐系统

平衡推荐的历史记录与泛化性

模型结构

Wide & Deep结构

Wide：memorization

Wide部分结构

输入：

- 原始特征

- 交叉组合特征 （query与item的组合）

Deep：generalization

Deep部分结构

- 低维度embedding，对query与item进行映射，从而实现泛化推荐

- 根据最终的loss来反向训练

Joint Training：Wide & Deep

训练过程：bp

因为是一起训练的，wide和deep的size都减小了。wide组件只需要填补deep组件的不足就行了，所以需要比较少的cross-product feature transformations，而不是full-size wide Model

论文原文：

https://arxiv.org/pdf/1606.07792.pdf%29/