推荐系统Part4：Wide&Deep

最新推荐文章于 2025-03-27 15:37:09 发布

查尔char

最新推荐文章于 2025-03-27 15:37:09 发布

阅读量260

点赞数

分类专栏：数据挖掘学习笔记

本文链接：https://blog.csdn.net/weixin_45293765/article/details/109319549

版权

Wide&Deep模型结合了线性模型的记忆能力和深度神经网络的泛化能力，被应用于Google Play的推荐系统中。Wide部分为线性模型，用于捕捉特征交互，Deep部分是前馈网络，用于特征转换和非线性表达。两者通过加权合并并使用logistic loss训练，以优化整体预测。推荐系统首先召回相关items，然后基于用户特征、上下文特征和印象特征进行排序，最后推荐给用户。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.介绍

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。

论文链接：https://arxiv.org/pdf/1606.07792.pdf

2.原理

2.1 W&D模型的网络结构

在这里插入图片描述

● Wide部分就是基础的线性模型。

● Deep部分就是个前馈网络模型。

1.Wide部分：
Wide部分就是基础的线性模型，表示为y=WX+b。X特征部分包括基础特征和交叉特征。交叉特征在wide部分很重要，可以捕捉到特征间的交互，起到添加非线性的作用。
交叉特征可表示为：
在这里插入图片描述

2.Deep部分
Deep部分就是个前馈网络模型。特征首先转换为低维稠密向量，维度通常O（10）-O（100）。向量随机初始化，经过最小化随时函数训练模型。激活函数采用Relu。前馈部分表示如下：