Wide & Deep

一、论文介绍

（一）简介

• 这是2016年谷歌团队发表的一篇论文。

（二）wide 和 deep 的比较

• wide：广泛应用于具有稀疏、大规模场景。组合特征有效且可解释性强，但需要很多特征工程，且对于未出现过的组合无法学习。
• deep：需要较少的特征工程，泛化能力强，可以通过稀疏特征 embedding 学习到未出现过的特征组合。但容易过泛化，推荐不太相关的东西。
• wide & deep：记忆和泛化的结合。

（三）memorization 和 generalization（EE问题）

• memorization：exploit，学习频繁出现的特征组合，从历史数据中学习相关性。容易推荐和用户浏览历史相似的东西。
• generalization：explore，基于相关性的传递，学习未出现过的特征组合。容易推荐不一样的，新的东西。

（四）模型结构