1.综述:在DNN模型基础上增加一个线性模型来辅助记忆某些关键的特征,如Google play中的例子为用户安装的app名称和曝光app的名称。模型上边的 Wide 部分,可以容纳大规模系数特征,并且对一些特定的信息(比如 ID)有一定的记忆能力; 而模型下边的 Deep 部分,能够学习特征间的隐含关系,在相同数量的特征下有更好的学习和推导能力。
2.模型代码思路概述:我们认为Wide部分可以进行将全部类别特征转坏为multihot然后再和数值特征结合再训练的方法,Wide部分处理稀疏性特征的优势也就能够体现出来。Deep部分则是和DNN模型处理相同,我们对类别特征需要进行3层神经网络的Dense,然后再与数值特征进行结合输出。
3.模型代码:
import gzip
import matplotlib.pyplot as plt
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import tensorflow as tf
from tensorflow import keras
import random
# tf.config.run_functions_eagerly(True)
# numerical特征可以直接输入,但category特征需要进行multi_hot_embedding转换再和numerical进行组合进行wide部分输出
# Deep部分则是直接对category特征进行dense embedding然后再和numerical特征组合进行deep部分输出
class Wide_layer(keras.layers.Layer):
def __init__(self):
super(Wide_layer, self).__init__()
# multi_hot_emb中的num_tokens是总共分类数,也就是describe中unique部分
# self.num_tokens=category_feature.astype('object').describe().loc['unique'].sum()
self.num_tokens=1000
self.multi_hot_emb = tf.keras.layers.CategoryEncoding(num_tokens=self.num_tokens, output_mode='multi_hot', sparse=False)