一文看懂推荐系统：排序10：wide&deep模型，wide就是LR负责记忆，deep负责高阶特征交叉而泛化

一文看懂推荐系统：排序10：wide&deep模型，wide就是LR负责记忆，deep负责高阶特征交叉而泛化

提示：最近系统性地学习推荐系统的课程。我们以小红书的场景为例，讲工业界的推荐系统。
我只讲工业界实际有用的技术。说实话，工业界的技术远远领先学术界，在公开渠道看到的书、论文跟工业界的实践有很大的gap，
看书学不到推荐系统的关键技术。
看书学不到推荐系统的关键技术。
看书学不到推荐系统的关键技术。

王树森娓娓道来**《小红书的推荐系统》**
GitHub资料连接：http://wangshusen.github.io/
B站视频合集：https://space.bilibili.com/1369507485/channel/seriesdetail?sid=2249610

基础知识：
【1】一文看懂推荐系统：概要01：推荐系统的基本概念
【2】一文看懂推荐系统：概要02：推荐系统的链路，从召回粗排，到精排，到重排，最终推荐展示给用户
【3】一文看懂推荐系统：召回01：基于物品的协同过滤（ItemCF），item-based Collaboration Filter的核心思想与推荐过程
【4】一文看懂推荐系统：召回02：Swing 模型，和itemCF很相似，区别在于计算相似度的方法不一样
【5】一文看懂推荐系统：召回03：基于用户的协同过滤（UserCF）,要计算用户之间的相似度
【6】一文看懂推荐系统：召回04：离散特征处理，one-hot编码和embedding特征嵌入
【7】一文看懂推荐系统：召回05：矩阵补充、最近邻查找，工业界基本不用了，但是有助于理解双塔模型
【8】一文看懂推荐系统：召回06：双塔模型——模型结构、训练方法，召回模型是后期融合特征，排序模型是前期融合特征
【9】一文看懂推荐系统：召回07：双塔模型——正负样本的选择，召回的目的是区分感兴趣和不感兴趣的，精排是区分感兴趣和非常感兴趣的
【10】一文看懂推荐系统：召回08：双塔模型——线上服务需要离线存物品向量、模型更新分为全量更新和增量更新
【11】一文看懂推荐系统：召回09：地理位置召回、作者召回、缓存召回
【12】一文看懂推荐系统：排序01：多目标模型
【13】一文看懂推荐系统：排序02：Multi-gate Mixture-of-Experts (MMoE)
【14】一文看懂推荐系统：排序03：预估分数融合
【15】一文看懂推荐系统：排序04：视频播放建模
【16】一文看懂推荐系统：排序05：排序模型的特征
【17】一文看懂推荐系统：排序06：粗排三塔模型，性能介于双塔模型和精排模型之间
【18】一文看懂推荐系统：特征交叉01：Factorized Machine (FM) 因式分解机
【19】一文看懂推荐系统：物品冷启01：优化目标 & 评价指标
【20】一文看懂推荐系统：物品冷启02：简单的召回通道
【21】一文看懂推荐系统：物品冷启03：聚类召回
【22】一文看懂推荐系统：物品冷启04：Look-Alike 召回，Look-Alike人群扩散
【23】一文看懂推荐系统：物品冷启05：流量调控
【24】一文看懂推荐系统：物品冷启06：冷启的AB测试
【25】推荐系统最经典的 排序模型 有哪些？你了解多少？
【26】一文看懂推荐系统：排序07：GBDT+LR模型
【27】一文看懂推荐系统：排序08：Factorization Machines（FM）因子分解机，一个特殊的案例就是MF，矩阵分解为uv的乘积
【28】一文看懂推荐系统：排序09：Field-aware Factorization Machines（FFM），从FM改进来的，效果不咋地

---

提示：文章目录

---

wide&deep模型

这篇博客主要介绍谷歌于2016年发表在RecSys上的一篇文章，

俗话说：谷歌家出品，必属精品。

这篇文章提出的模型wide&deep着实对推荐系统领域有着非常大的影响，
启发了后面几年推荐系统领域的一些工作，比如：deep&cross，deepFM等。 【后边我都会一一说的】

这篇文章也是秉承着Google家文章一贯的风格【大道至简，非常关注工程实践】，
不像国内某互联网公司某团队的paper简直是概念的堆砌，
如果没有概念就造概念，让人看的眼花缭乱，明显是冲着发论文去的。

恶心人！

这篇博客主要以下几个点来介绍下wide&deep模型。

《Wide & Deep Learning for Recommender Systems》

一、提出wide&deep的动机

在这篇论文之前，工业界推荐系统主流的模型基本是LR或者普通的DNN（当然也有像FM和树模型及其变种），
通常而言，线性模型比如LR比较擅长记忆，而DNN则比较擅长泛化。

这里来解释下何为记忆，何为泛化？？？

记忆： 其实就是模型直接学到样本中一些强特征，
比如，尿布&瓶酒的例子，

如果样本中频繁出现了买了尿布的人同时买了啤酒，
也就是说尿布&啤酒共现的频率很高，
那么模型可以直接记住这种共现，

当做推荐的时候，如果一个人买了尿布，那么应该给他推荐啤酒。

泛化： 泛化则是学习特征的传递能力，
比如某个训练集为树叶，label为判断输入的东西是否是一个树叶，
样本中的树叶基本都是绿色的锯齿状树叶，
那么我们希望模型能够有泛化能力，
当输入一个泛黄的圆形树叶，模型也能判断出这是个树叶。

因此，为了结合这两种能力，提出了wide&deep模型，
wide侧为一个LR模型，负责记忆，
deep部分为一个多层全连接网络，负责泛化。

二、wide&deep模型结构

从上图能够非常清晰的看到wide&deep模型包含两个部分，
wide部分和deep部分。

wide部分为一个线性模型LR，

deep部分为一个三层隐藏层[1024,512,256]的DNN。

模型网络结构虽然简直直白，但有几个细节需要关注下：

训练方式：
wide部分和deep部分使用logistics loss连接在一起，通过bp联合训练，而不是单独训练然后做ensemble。

优化算法：
wide部分采用Google家出产的FTRL优化算法
deep部分采用AdaGrad（关于AdaGrad参见本人的博客：深度学习中优化方法
——momentum、Nesterov Momentum、AdaGrad、Adadelta、RMSprop、Adam）
那么随之而来的2个问题：
（a）两个不同的优化算法放在一起怎么优化？
（b）为什么LR部分采用ftrl，而deep部分采用AdaGrad
这两个问题留到博客最后的【一些思考】里再介绍。

特征：
在Google play的场景下主要分为连续值特征和类别特征，
在这篇论文中，连续值特征被归一化到[0,1]范围内，类别特征则做了embedding，
然后直接做了concate，输入到deep网络中。

wide部分主要输入的是一些交叉特征，用于记忆。

模型训练：
采用热启的方式训练模型，上一次（天级别或者小时级）的模型embedding向量和权重初始化下一个时间的模型
（ented a warm-starting system which initializes a new model with the embeddings and the linear model weights from the previous model.）。
这一点和我厂的abacus保持一致。这样做的好处显而易见，lifetime learning + Fine Tune。

模型更新校验： 每次更新到线上之前要做一次校验，
校验待更新的模型是否正常，防止把有问题的模型更新到线上，发生问题。
这一点透露着浓浓的工业风，也是一个工业系统必备的环节。

三、一些思考

问题1： wide部分和deep采用联合训练，
但wide部分采用FTRL优化算法，deep部分采用AdaGrad优化算法，这个该怎么训练？

这个问题直接看TensorFlow官方代码：https://github.com/tensorflow/tensorflow/blob/r1.11/tensorflow/python/estimator/canned/dnn_linear_combined.py

deep侧：

# deep侧
with variable_scope.variable_scope(
        dnn_parent_scope,
        values=tuple(six.itervalues(features)),
        partitioner=dnn_partitioner) as scope:
      dnn_absolute_scope = scope.name
      dnn_logit_fn = dnn._dnn_logit_fn_builder(  # pylint: disable=protected-access
          units=head.logits_dimension,
          hidden_units=dnn_hidden_units,
          feature_columns=dnn_feature_columns,
          activation_fn=dnn_activation_fn,
          dropout=dnn_dropout,
          input_layer_partitioner=input_layer_partitioner,
          batch_norm=batch_norm)
      dnn_logits = dnn_logit_fn(features=features, mode=mode)

wide侧：

# wide侧
    with variable_scope.variable_scope(
        linear_parent_scope,
        values=tuple(six.itervalues(features)),
        partitioner=input_layer_partitioner) as scope:
      linear_absolute_scope = scope.name
      logit_fn = linear._linear_logit_fn_builder(  # pylint: disable=protected-access
          units=head.logits_dimension,
          feature_columns=linear_feature_columns,
          sparse_combiner=linear_sparse_combiner)
      linear_logits = logit_fn(features=features)

loss直接把wide部分的loss和deep部分的loss相加

# loss函数
 if n_classes == 2:
      head = head_lib._binary_logistic_head_with_sigmoid_cross_entropy_loss(  # pylint: disable=protected-access
          weight_column=weight_column,
          label_vocabulary=label_vocabulary,
          loss_reduction=loss_reduction)
    else:
      head = head_lib._multi_class_head_with_softmax_cross_entropy_loss(  # pylint: disable=protected-access
          n_classes,
          weight_column=weight_column,
          label_vocabulary=label_vocabulary,
          loss_reduction=loss_reduction)
          
  # Combine logits and build full model.
  if dnn_logits is not None and linear_logits is not None:
    logits = dnn_logits + linear_logits
  elif dnn_logits is not None:
    logits = dnn_logits
  else:
    logits = linear_logits

BP时，采用不用的优化器优化wide侧和deep侧，
这里核心语句在于：
train_op = control_flow_ops.group(train_ops)，
从而做到了可以用不同的优化器来优化两侧。

  def _train_op_fn(loss):
    """Returns the op to optimize the loss."""
    train_ops = []
    global_step = training_util.get_global_step()
    if dnn_logits is not None:
      train_ops.append(
          dnn_optimizer.minimize(
              loss,
              var_list=ops.get_collection(
                  ops.GraphKeys.TRAINABLE_VARIABLES,
                  scope=dnn_absolute_scope)))
    if linear_logits is not None:
      train_ops.append(
          linear_optimizer.minimize(
              loss,
              var_list=ops.get_collection(
                  ops.GraphKeys.TRAINABLE_VARIABLES,
                  scope=linear_absolute_scope)))
	# 核心语句，采用group函数
    train_op = control_flow_ops.group(*train_ops)
    with ops.control_dependencies([train_op]):
      return state_ops.assign_add(global_step, 1).op

  return head.create_estimator_spec(
      features=features,
      mode=mode,
      labels=labels,
      train_op_fn=_train_op_fn,
      logits=logits)

问题2： 为什么wide侧采用FTRL，而deep侧采用AdaGrad？

我个人觉得在wide侧采用FTRL，一方面是为了产生稀疏解，
毕竟在论文中能够看到wide部分的交叉特征是两个id特征的交叉，
这样可以大大缩小模型体积，利于线上部署。

另外一方面，由于联合训练，必然会出现wide部分收敛速度远远快于deep部分，

应该是谷歌大佬们为了缓解这种情况，因为ftrl和adagrad都是随着梯度的累计，
学习率会变小，并且ftrl结合了L1正则和L2正则，使得ftrl收敛速度慢。

注：这一点只是个人理解，如果有大佬有更好的理解，欢迎留言交流。

---

总结

提示：如何系统地学习推荐系统，本系列文章可以帮到你

（1）找工作投简历的话，你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来，这样才能契合公司招聘需求，否则它直接把简历给你挂了
（2）你到底是要进公司做推荐系统方向？还是纯cv方向？还是NLP方向？还是语音方向？还是深度学习机器学习技术中台？还是硬件？还是前端开发？后端开发？测试开发？产品？人力？行政？这些你不可能啥都会，你需要找准一个方向，自己有积累，才能去投递，否则面试官跟你聊什么呢？
（3）今日推荐系统学习经验：为了结合这两种能力，提出了wide&deep模型，wide侧为一个LR模型，负责记忆，deep部分为一个多层全连接网络，负责泛化。