论文笔记-Wide & Deep Learning for Recommender Systems

本文提出的W&D是针对rank环节的模型。

 

网络结构：

本文提出的W&D是针对rank环节的模型。

 

网络结构：

 

wide是简单的线性模型，但是可以预先对特征做各种变换、交叉等来增加wide模型的非线性性。

deep是一个FNN，对高维稀疏类别特征采取embedding降维，embedding的结果是在训练时候学出来的。

wide与deep结合的方式，是将两者的输出通过加权最后喂给一个logistic损失函数。值得注意的是，这里是join train并不是ensemble，ensemble是两个模型单独学习，而w&d是同时学习的。

 

 

wide是简单的线性模型，但是可以预先对特征做各种变换、交叉等来增加wide模型的非线性性。

deep是一个FNN，对高维稀疏类别特征采取embedding降维，embedding的结果是在训练时候学出来的。

wide与deep结合的方式，是将两者的输出通过加权最后喂给一个logistic损失函数。值得注意的是，这里是join train并不是ensemble，ensemble是两个模型单独学习，而w&d是同时学习的。