本文介绍了Wide&Deep模型，它结合了Wide部分的记忆能力和Deep部分的泛化能力，适用于推荐系统。Wide部分通过交叉特征捕获共现频率，Deep部分利用神经网络进行特征交叉和模式发掘。文章还详细阐述了模型结构、特征工程以及Deep&Cross模型作为Wide&Deep的进化，强调了模型的影响力和在业界的应用。
文章目录
1、Wide&Deep模型——记忆能力和泛化能力的综合
本节介绍的是自提出以来就在业界发挥着巨大影响力的模型–谷歌于2016年提出的 Wide&Deep模型 。Wide&Deep模型的主要思路正如其名，是由单层的 Wide部分和多层的 Deep部分组成的混合模型。其中，Wide部分的主要作用是让模型具有较强的“记忆能力”( memorization );Deep部分的主要作用是让模型具有“泛化能力”( generalization )，正是这样的结构特点，使模型兼具了逻辑回归和深度神经网络的优点——能够快速处理并记忆大量历史行为特征 ，并且具有强大的表达能力。
2、模型的记忆能力与泛化能力
Wide&Deep模型的设计初衷和其最大的价值在于同时具备较强的“记忆能力”和“泛化能力”。
“记忆能力"可以被理解为模型直接学习并利用历史数据中物品或者特征的“共现频率"的能力。一般来说，协同过滤、逻辑回归等简单模型有较强的“记忆能力”。由于这类模型的结构简单，原始数据往往可以直接影响推荐结果，产生类似于“如果点击过A，就推荐B”这类规则式的推荐，这就相当于模型直接记住了历史数据的分布特点，并利用这些记忆进行推荐。
因为Wide&Deep是由Google Play推荐团队提出的，所以这里以 App推荐的场景为例，解释什么是模型的“记忆能力”。
假设在 Google Play推荐模型的训练过程中，设置如下组合特征:AND(“安装
订阅专栏 解锁全文
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
