deep deepfm wide 区别_CTR预估之Wide&Deep和DeepFM

之前写了两篇关于graph embedding的文章，这次换个主题，分享两个ctr预估算法。一个是Wide&Deep，是谷歌16年提的算法《Wide & Deep Learning for Recommender Systems》，链接https://arxiv.org/pdf/1606.07792.pdf，这个算法是用在谷歌应用商店做排序的。另外一个是DeepFM，来自于华为17年提出的《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》，链接https://arxiv.org/pdf/1703.04247.pdf，这个是华为用在应用商店做排序的。这两个算法既可以在广告中做ctr预估，也可以在推荐系统中做排序。

ctr预估算法中最经典的莫过于逻辑回归LR，优势是速度快，便于加特征，可解释。缺点也很明显，就是无法直接拟合高阶特征，无法做特征交叉，因此需要大量的人工特征工程和专家经验来做特征交叉。后来出现的因子分解机FM，可以解决二阶特征交叉问题，但是不能解决高阶特征交叉。比如年轻男性喜欢玩射击游戏，就包括3阶特征。最近几年随着深度学习的快速发展，工程师引入深度学习解决高阶特征交叉问题，并提出了一批算法，比如FNN，AFM，NFM，DeepCrossing以及Wide&Deep和DeepFM等，私以为最后两篇文章比较经典。

最早看这两篇算法的时候，我的感觉是这两个算法有什么差别，不是一样的吗？最近重新细读了一遍，才理解其中的不同。先来介绍一下Wide&Deep，模型结构如下图所示。所谓Wide&am