《Wide & Deep Learning for Recommender Systems》

推荐系统：

检索：机器学习模型+人工规则，根据Item特征和query生成候选集。

排序：wide&deep模型对候选集中的query-Item对进行打分排名。

排序模型：

模型原理：

wide：广义线性模型：

优点：简单、扩展性好、可解释性好。利用分类特征及其交叉特征可以很好的实现对共现特征对的记忆，挖掘历史信息中的相关特征或Item。

缺点：依赖大量的人工特征工程。要实现泛化需要通过更粗粒度特征的交叉，交叉转换的限制在于不能挖掘之前没有出现过的组合。

基于记忆的推荐通常与历史出现的Item更具有相关性。

deep：神经网络：

优点：只需要很少的特征工程就能实现良好的泛化能力，通过学习到的稠密embedding向量挖掘深层次的关联，推荐之前未出现过的特征组合。

缺点：当输入时稀疏的以及高秩的，容易出现过度泛化。比如用户具有特殊偏好或者产品具有窄的受众面时，此时应该大多数的query-Item对是没有关联的，但是由于embedding层学到的稠密向量导致所有的query-Item预测不为0，从而推荐很少相关的Item。

基于泛化的推荐通常更具有多样性。

wide&deep：

wide部分仅仅需要少量的交叉特征用来弥补神经网络的不足，不需要全尺寸的线性回归。

实现细节

联合训练：同时loss优化两部分的权重

wide：FTRL+L1

deep：adamGrad

数据处理

类别特征字符串

连续特征：归到（0-1）

具体为： x->累计分布函数 ->然后分档进行离散化到各区间-（所在区间-1）/（总区间数-1）

训练

每个类别embedding维数设置为32维

批量

并行化

热启动：叠加训练