wide&deep模型简介

Kai`

已于 2024-05-21 15:11:16 修改

阅读量1.4k

点赞数 11

分类专栏：人工智能文章标签： tensorflow 神经网络推荐算法

于 2024-05-21 14:43:51 首次发布

本文链接：https://blog.csdn.net/qq_42301955/article/details/139090341

版权

人工智能专栏收录该内容

27 篇文章

订阅专栏

wide&deep模型

1.简介
2.原理
- 2.1 网络结构
3. 稀疏密集特征
4.API和子类方式实现

1.简介

Wide and deep 模型是 TensorFlow 在 2016 年 6 月左右发布的一类用于分类和回归的模型，并应用到了 Google Play 的应用推荐中。wide and deep 模型的核心思想是结合线性模型的记忆能力（memorization）和 DNN 模型的泛化能力（generalization），在训练过程中同时优化 2 个模型的参数，从而达到整体模型的预测能力最优。

记忆（memorization）即从历史数据中发现item或者特征之间的相关性。

泛化（generalization）即相关性的传递，发现在历史数据中很少或者没有出现的新的特征组合。

2.原理

2.1 网络结构

Wide & Deep 模型通过以下方式结合了 LR 和 DNN：

特征交叉：在 Wide 部分，可以显式地创建特征交叉项，这有助于模型学习特征间的组合效应。
共享嵌入：在 Deep 部分，可以使用嵌入层来学习稀疏特征（如类别特征）的低维表示，这些嵌入表示可以捕捉非线性关系。
联合训练：Wide 部分和 Deep 部分在模型的输出层之前进行合并，共享相同的输出，如预测概率。这样，两部分可以同时训练，共同学习。
权重平衡：通过正则化和超参数调整，可以平衡 Wide 部分和 Deep 部分对最终预测的贡献。

为什么可以看作 LR + DNN：

模型结构：Wide & Deep 模型的结构可以看作是将一个线性模型（LR）和一个深度学习模型（DNN）结合在一起。
学习特征：LR 部分负责学习线性特征和一阶交互，而 DNN 部分负责学习高阶非线性特征。
训练过程：在训练过程中，LR 和 DNN 部分可以独立更新，但最终的损失函数是联合的，这意味着它们共同贡献于模型的预测。

优点：

灵活性：结合了线性模型的解释性和深度学习的自动特征学习能力。
性能：在许多任务中，Wide & Deep 模型比单独使用 LR 或 DNN 表现更好。
泛化能力：通过结合两种类型的模型，可以提高对不同类型特征的泛化能力。

Wide & Deep 模型是一种强大的模型架构，适用于需要同时考虑线性关系和复杂非线性关系的任务，特别是在大规模的推荐系统和分类问题中。

3. 稀疏密集特征

模型中把密集特征和做了one-hot 编码的稀疏特征拼接后作为 deep 模型的输入，Embeddings 表示one-hot 编码处理，把稀疏特征中的user installed App和 Impresson叉乘后作为wide模型的输入。

离散值特征：只能从N个值中选择一个，比如性别, 只能是男女
叉乘可以用来精确刻画样本, 实现记忆效果。

优点:
有效, 广泛用于工业界, 比如广告点击率预估(谷歌, 百度的主要业务), 推荐算法.
缺点:
需要人工设计.
叉乘过度, 可能过拟合, 所有特征都叉乘, 相当于记住了每一个样本.
泛化能力差, 没出现过就不会起效果

密集特征：每个词都可以用一个密集向量表示, 那么词和词之间就可以计算距离
使用Word2vec工具可以方便的将词语转化为向量.

优点:
带有语义信息, 不同向量之间有相关性.
兼容没有出现过的特征组合.
更少人工参与
缺点:
过度泛化, 比如推荐不怎么相关的产品.

在机器学习和数据科学中，密集（Dense）和稀疏（Sparse）特征的联合使用可以带来多方面的好处，尤其是在处理现实世界的数据集时。以下是一些主要优点：

更全面的模型：密集特征通常表示连续的数值数据，而稀疏特征通常表示分类数据或离散值。将两者结合可以更全面地捕捉数据的不同方面。
特征交叉：在某些模型中，如宽深模型（Wide & Deep Model），可以显式地创建密集和稀疏特征的交叉项，这有助于模型学习更复杂的模式。
利用线性和非线性关系：密集特征可以通过线性模型（如逻辑回归）来学习数据中的线性关系，而稀疏特征可以通过深度学习模型来学习非线性关系。
提高模型性能：结合密集和稀疏特征可以帮助模型更好地泛化，提高模型在分类、回归或其他预测任务中的性能。
特征工程的灵活性：在特征工程过程中，可以灵活地选择和转换特征，以适应不同的模型需求。
稀疏数据的高效存储：稀疏特征通常使用特殊的数据结构（如稀疏矩阵）来存储，这可以显著减少内存使用并提高计算效率。
处理大规模数据集：在处理大规模数据集时，稀疏特征可以显著减少数据集的大小，使得模型训练更加高效。
更好的解释性：密集特征的线性模型通常更容易解释，而稀疏特征的非线性模型可以揭示数据中的复杂模式。两者的结合可以提供更好的模型解释性。
适应不同类型的数据：不同的数据集可能天然地包含密集或稀疏特征。通过联合使用，模型可以适应不同类型的数据。
提高推荐系统的效果：在推荐系统中，密集特征可以表示用户或物品的连续属性，而稀疏特征可以表示用户的分类偏好。结合两者可以提供更准确的推荐。
总之，密集和稀疏特征的联合使用可以使得模型更加健壮和灵活，能够处理更广泛的应用场景，并提高模型的整体性能。在实际应用中，选择合适的特征组合和模型架构是实现最佳效果的关键。

4.API和子类方式实现

使用tensorflow框架构建wide&deep模型参考代码：


# tensorflow写法1：函数式API
# 每一层结构都可以当成一个函数去使用.
input = keras.layers.Input(shape=x_train.shape[1:])
hidden1 = keras.layers.Dense(30, activation='relu')(input)
hidden2 = keras.layers.Dense(30, activation='relu')(hidden1)

# wide和deep模型用相同的输入数据
concat = keras.layers.concatenate([input, hidden2])
output = keras.layers.Dense(1)(concat)
# 包装成一个model
model = keras.models.Model(inputs=[input], outputs=output)

# tensorflow写法2：子类api
class WideDeepModel(keras.models.Model):
    def __init__(self):
        """定义模型的层次"""
        super().__init__()
        self.hidden1 = keras.layers.Dense(30, activation='relu')
        self.hidden2 = keras.layers.Dense(30, activation='relu')
        self.output_layer = keras.layers.Dense(1)
         
    def call(self, input):
        """完成模型的正向传播"""
        hidden1 = self.hidden1(input)
        hidden2 = self.hidden2(hidden1)
        # 拼接
        concat = keras.layers.concatenate([input, hidden2])
        output = self.output_layer(concat)
        return outpu
model = WideDeepModel()
# 或者使用keras构造一个model
# model = keras.Sequential([WideDeepModel(),])

# 使用两种方式model构造好后构造并查看model结构
model.build(input_shape=(None, 8))
model.summary()