Wide & Deep Learning for Recommender Systems

• 原始论文: Wide & Deep Learning for Recommender Systems
• 代码示例：wd.py

文章idea

• LR：需要大量的手动特征工作生成交叉特征，比较擅长memorization，由于模型简单，在generalization 方面相对较弱。
• FM 或者DNN：通过dense feature，具备很好的generalization，但是对长尾数据表现比较差。
• 因此作者将二者结合起来，提出了Wide & Deep

模型架构

• 关于该模型结构，相对比较好理解。wide部分和 Deep部分。
  

具体实现

整体部分

• Wide & Deep 是由2部分来实现的，wide部分和 Deep部分。但是理论上其输入既包含了类别性特征，又存在连续值特征。但是该实现只考虑了类别性特征。整体实现如下：

Wide 部分

• Wide 部分：该部分的实现与FM的线性部分相同，故不做赘述。

Deep 部分

• Deep 部分：结构简单，激活函数为Relu的MLP.