《Wide & Deep Learning for Recommender Systems 》笔记

最新推荐文章于 2025-03-24 10:05:44 发布
最新推荐文章于 2025-03-24 10:05:44 发布
阅读量2.1w 收藏 14
点赞数 4
分类专栏： 机器学习 文章标签： DL 深度学习 deep learning 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dinosoft/article/details/52581368
版权
本文是关于《Wide & Deep Learning for Recommender Systems》的笔记，探讨了Wide（LR）与Deep（DL）学习在推荐系统中的角色。Wide部分用于记忆和解释性强，Deep部分解决泛化问题。论文指出，Wide组件通过高维特征和组合来捕获局部相关性，Deep学习通过特征嵌入捕捉传递性。系统先用检索进行粗筛选，再用WDL进行精排。离线评估AUC提升有限，但在在线评估中表现出色，显示模型能适应用户响应变化。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

从tensorflow的文档找到的论文，没几页，看上去也不复杂，赶紧弄下来看看。

场景是Google Play的推荐

wide & deeplearning是什么鬼？

  • wide是指高维特征+特征组合的LR。LR高效、容易规模化（scalable）、可解释性强。但是泛化性需要在特征工程上下功夫
  • deep就是deep learning了。特征工程省力，但是容易过度泛化over-generalize。

Memorization 和Generalization

文中提了两个观点，有点意思。Memorization 和Generalization。

  • Memorization 。从现有的训练数据item或者特征的共现或者相关性。局部性（topical），跟用户有行为的item直接强相关。
  • Generalization。相关性的传递（transitivity），新特征组合。多样性（diversity）好一些。

有点类似I2i里的item-base方法效果好，user-base的方法新颖性好。

我自己之前的观点是机器学习某种程度上来说就是找“相似”，这种相似有时候比较直接（Memorization），有时候比较间接（Generalization）。意思其实差不多啦。

回顾LR和DL的问题

先介绍现有LR方法，特征通通0/1编码，然后做特征组合。老套路了，基本都这样。有个问题就是特征组合如果训练数据里面没有&#

最低0.47元/天 解锁文章
WDL（Wide & Deep Learning for Recommender Systems）——Google经典CTR预估模型
weixin_41570231的博客
07-18 1091
Wide & Deep Learning for Recommender Systems这篇文章介绍了一种结合宽线性模型和深度神经网络的方法，以实现推荐系统中的记忆和泛化。这种方法在Google Play商店的应用推荐系统中进行了评估，展示了其显著的性能提升。推荐系统中的记忆和泛化。
Wide &Deep Learning for Recommender Systems
free356的博客
03-07 906
本文思路整理如下： 一， Contribution二， 实验实际需求训练数据实验环境2.1本文模型  2.1.1 模型输入2.1.2 模型训练2.1.3 模型输出2.2 实验结果《Wide & Deep Learning for Recommender Systems》目的：采用Wide &deep构建模型，从而得以更精准做Google Play推荐。 论文信息：Google发表于...
Wide&Deep模型和DeepFM模型
最新发布
m0_74752294的博客
03-24 379
总之，本次实验不仅让我掌握了Wide&Deep模型和DeepFM模型的理论知识和实践技能，还锻炼了我的问题解决能力和团队协作能力，收获颇丰。：通过本次实验，对推荐系统的工作原理和关键技术有了更深入的了解，为今后在该领域的学习和研究打下了坚实的基础。：在实现模型的过程中，熟练掌握了TensorFlow等深度学习框架的使用，提高了编程效率和代码质量。：面对实验中的各种问题，学会了如何查找资料、分析问题和解决问题，培养了独立思考和解决问题的能力。二、实验总结（本次实验自己觉得的难点和解决方法，及自己的收获）
[特征工程系列四]Wide&Deep Learning for Recommender Systems
weixin_34227447的博客
02-10 279
今天讲下目前在推荐领域非常火的一种特征组合的方式Wide&Deep，这个思路其实是源自GOOGLE的一篇PAPER《Wide&Deep Learning for RecommenderSystems》，短短的四页但是讲得特别好，非常推荐大家阅读。 Ok，我们开始今天关于wide&deep这个方法的介绍，大家一看这个词的组合，肯...
1.《Wide & Deep Learning for Recommender Systems》
Sebastian_M的博客
09-20 876
推荐系统可以看作是一个搜索排序系统，其中输入查询是一组用户和上下文信息，输出是一个项目排序列表。给定一个查询，推荐任务是在数据库中找到相关的项，然后根据特定的目标对这些项进行排序。记忆可以松散的定义为学习项目或特征的频繁共现，并利用历史数据中可用的相关性，基于记忆的推荐通常更局部，并且与用户已经执行过的行动直接相关。与记忆相比，泛化倾向于提高推荐项目的多样性。对于工业环境中大规模在线推荐和排名系统，广义线性模型如逻辑回归由于其简单、可扩展和可解释而被广泛应用。
论文阅读 - Wide & Deep Learning for Recommender Systems
weixin_30539835的博客
09-17 175
本文为阅读论文 Wide & Deep Learning for Recommender Systems 时记下的笔记。 背景 推荐系统给出的结果需要兼顾相关性和新颖性。推荐的内容和用户特征很匹配，就会推荐大量相关内容，时间一久，用户感到无新鲜感。推荐内容过于泛化，用户的兴趣无法满足。本文提出的算法用于 Google Play 的 APP 推荐系统。 线性模型 线性模型中各类特征...
论文阅读：Wide & Deep Learning for Recommender Systems
weixin_45459911的博客
04-03 478
文章目录一、模型引入原因1、线性模型2、DNN结构（非线性）3、Memorization与Generalization二、模型结构1、wide部分2、DNN部分3、Wide&Deep部分三、工程实现1、Data Generation2、Model Training3、Model Serving四、实验结果与总结五、代码实现 一、模型引入原因 在CTR应用中，常用的模型可以分为两类：线性模型...
Google论文"Wide & Deep Learning for Recommender Systems"全套工程文件+数据集+调试过程
08-11
google于2016年发表的论文"Wide & Deep Learning for Recommender Systems"里面的代码； 全套工程文件+数据集+调试过程； 经过tf版本升级之后，通过调试，没有问题； 其他小问题可以参考我写的“调试过程”
Wide & Deep Learning for Recommender Systems阅读笔记
weixin_44853181的博客
08-20 586
目录一、论文背景介绍1. CRT预估2. 推荐模型的特点二、本篇文章1. 引言2. 内容3. 贡献三、Model1. Wide 模型2. Deep 模型3. 联合训练联合训练和集成训练的区别：四、系统实现1. 数据生成2. 模型训练3. 线上应用五、实验总结 一、论文背景介绍 我们今天讲的论文属于框架中的排序层。 1. CRT预估 CTR预估（对每次广告的点击情况做出预测：点击还是不点击）可以广泛应用于个性化推荐、信息检索、在线广告等领域，是互联网广告中最核心的算法之一，预估的准确性与否直接直接影响
【学习笔记】深度模型Wide&Deep
ytwanzi的博客
03-18 438
Wide&Deep模型学习1.背景2.结构3. 代码实现4. 思考 1.背景 来自16年的一篇Google的论文《Wide & Deep Learning for Recommender Systems》，文章将传统的LR和DNN组合构成一个wide&deep模型（并行结构），既保留了LR的拟合能力，又具有DNN的泛化能力，并且不需要单独训练模型（join），可以方便模型的迭代。 问题的提出： 线性模型LR泛化能力较弱，且需要做好特征工程，无法学习到训练集中未出现的组合特征。 FM或
Wide & Deep 推荐系统框架论文笔记
快秃头的女研究生一枚
03-15 389
Wide & Deep Learning for Recommender Systems论文笔记 摘要 具有非线性特征变换的广义线性模型广泛应用于具有稀疏输入的大规模回归和分类问题。通过大量的跨产品特征转换来记忆特征交互是有效的和可解释的，而泛化则需要更多的特征工程工作。在特征工程较少的情况下，通过对稀疏特征的低维密集嵌入学习，深层神经网络可以更好地推广到不可见的特征组合。然而，当用户-项...
Wide &Deep learning for Recommender Systems
07-24
wide&deep 广度深度模型 协同过滤
Wide&Deep模型
weixin_43869610的博客
03-04 458
Wide & Deep Learning for Recommender Systems 论文链接：https://arxiv.org/pdf/1606.07792.pdf 动机：在CTR预估任务中利用手工构造的交叉组合特征来使线性模型具有“记忆性”，使模型记住共现频率较高(frequent co-occurrence)的特征组合，往往也能达到一个不错的效果，且可解释性强。但这种方式有着较为明显的缺点： 特征工程成本太高。 对于未曾出现过的特征组合，权重系数为0，无法进行泛化。 所以为了加强模型
推荐算法实战项目：Wide&Deep原理以及案例实战(附完整 Python 代码)
机器学习社区
05-02 2915
本文要介绍的是Google于2016年提出的Wide&Deep模型，此模型的提出对业界产生了非常大的影响，不仅其本身成功地应用在多家一线互联网公司，而且其后续的改进工作也一直延续至今。Wide&Deep模型正如其名，分别包含了Wide部分和Deep部分。其中Wide部分的作用是让模型具有较强的“记忆能力”(memorization)；而Deep部分的作用是让模型具有“泛化能力”(generalization)。
推荐系统之Wide&Deep
Katniss的Blog
10-27 254
Wide&Deep 文章目录 Wide&Deep一、思维框架二、正文 一、思维框架 二、正文
wide&deep 在贝壳推荐场景的实践
hellozhxy的博客
01-08 938
本文主要向大家介绍 wide & deep 模型在贝壳推荐场景中的实践。 "推荐" 对于我们来说并不陌生，已经渗透到了我们生活中的方方面面，比如淘宝的商品推荐，网易云的音乐推荐，抖音的短视频推荐等。在房产O2O领域，同样也需要推荐。无论在哪个推荐领域，推荐系统面临的一个共同挑战是如何同时满足推荐结果的准确性和多样性。准确性要求推荐的内容与用户高度相关，推的精准；多样性则要求推荐内容更加新...
一文看懂推荐系统：排序10：wide&deep模型，wide就是LR负责记忆，deep负责高阶特征交叉而泛化
weixin_46838716的博客
08-27 2423
一文看懂推荐系统：排序10：wide&deep模型，wide就是LR负责记忆，deep负责高阶特征交叉而泛化
[搜广推]深度学习推荐模型（5）——Wide&Deep模型
m0_69281817的博客
12-25 1090
Wide & Deep模型由Google在2016年提出。它旨在结合线性模型（Wide部分）的记忆能力和深度学习模型（Deep部分）的泛化能力，以解决推荐系统中的记忆性（Memorization）和泛化性（Generalization）问题。
Wide & Deep Learning for Recommender Systems出处
03-21
### 关于 Wide & Deep Learning for Recommender Systems 的出处 Wide & Deep 学习框架首次被提出是在由 Google 发表的一篇重要论文中，这篇论文名为《Wide & Deep Learning for Recommender Systems》[^1]。此论文主要探讨了一种新的机器学习架构——宽深网络（Wide & Deep Network），其目的是为了在推荐系统中更好地平衡记忆化（Memorization）和泛化能力（Generalization）。这种架构通过联合训练广度模型（Wide Model）和深度神经网络模型（Deep Neural Network, DNN Model），从而实现了短期收益最大化的同时兼顾长期探索的可能性。 具体而言，Wide 部分负责处理高频特征及其组合的记忆功能，而 Deep 部分则专注于捕捉低频甚至未见过的特征组合，以此增强系统的泛化性能[^4]。这一设计使得该模型特别适合应用于数据稀疏性较高的场景下，例如个性化推荐服务等领域。 因此，《Wide & Deep Learning for Recommender Systems》可以被认为是原始文献的主要来源之一，并且已经被广泛认可为推荐算法研究领域内的经典之作。 ```python # 示例代码片段用于说明如何实现基本的 Wide&Deep 架构 import tensorflow as tf def build_wide_deep_model(wide_columns, deep_columns): feature_columns = wide_columns + deep_columns # 定义输入层 inputs = { col.name: tf.keras.layers.Input(name=col.name, shape=(1,), dtype=tf.float32) for col in feature_columns } # 广度部分 (线性模型) wide = tf.feature_column.input_layer(inputs, wide_columns) # 深度部分 (DNN 模型) deep = tf.feature_column.input_layer(inputs, deep_columns) for units in [128, 64]: deep = tf.keras.layers.Dense(units)(deep) deep = tf.keras.layers.BatchNormalization()(deep) deep = tf.keras.layers.ReLU()(deep) # 合并两部分输出 combined_output = tf.keras.layers.concatenate([wide, deep]) output = tf.keras.layers.Dense(1, activation='sigmoid')(combined_output) model = tf.keras.Model(inputs, output) return model ``` #### 参考上述内容总结得出结论： 综上所述，《Wide & Deep Learning for Recommender Systems》一文出自谷歌团队的研究成果，它是当前许多实际生产环境中所采用的技术基础理论依据。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值