-
Notifications
You must be signed in to change notification settings - Fork 3
paper note && Wide & Deep Learning for Recommender Systems
zhengfu edited this page Apr 3, 2020
·
1 revision
使用非线性特征转换的广义线性模型被广泛地应用在伴随着稀疏输入的大规模回归和分类问题中。通过一大组叉积特征转换实现的特征之间相互作用的记忆的方法是有效的，可解释的，然而泛化需要更多的特征工程的投入。需要更少的特征工程，深度神经网络通过稀疏特征学到的低维稠密的embeddings，对于未见的特征组合，有着更好的泛化能力。但是，使用embeddings的深度神经网络可能导致过泛化，推荐相关性更小的items，当user-item的交互是稀疏的，高秩的。本文，我们描述了Wide & Deep Learning-联合训练wide linear models和深度神经网络-组合推荐系统中模型记忆能力和泛化能力的收益。我们在谷歌应用商店中上线并评估了该系统。在线实验结果显示与单独的wide模型，单独的deep模型相比，Wide & Deep极大的增加了app访问量。我们使用TensorFlow实现，并开源了我们的代码。
本文，我们描述了Wide & Deep learning框架用一个模型同时获得了记忆能力和泛化能力，通过联合训练线性模型组件和神经网络组件，如图1 本文的主要贡献包括：
- Wide & Deep learning框架，对于伴随稀疏输入的通用推荐系统，联合训练带有embedding的前馈神经网络和带有特征转换的线性模型。
- Wide & Deep 推荐系统在谷歌应用商店的产品化的实现与评估，一个超过10亿用户和百万应用的app。
- 我们开源了利用TensorFlow上层API实现的代码。
虽然思想是简单的，我们证实了Wide & Deep框架极大地提升了移动应用商店的app访问量，同时满足了训练和服务的速度要求。