Wide &Deep Learning for Recommender Systems

本文思路整理如下：

 

一， Contribution

二， 实验

实际需求

训练数据

实验环境

2.1本文模型

  2.1.1 模型输入

2.1.2 模型训练

2.1.3 模型输出

2.2 实验结果

《Wide & Deep Learning for Recommender Systems》

目的：采用Wide &deep构建模型，从而得以更精准做Google Play推荐。

 

论文信息：Google发表于DLRS 2016的一篇文章。

 

一，Contribution：

 

1）提出了Wide & Deep learning框架，将logistic model和forward dnn网络结合起来，既发挥logistic model的优势，又利用dnn和embedding的自动特征组合学习和强泛化能力进行补充，保证记忆能力与泛化能力的均衡。而且将模型整体学习，理论上达到最优。

2）在Google Apps推荐的大规模数据上成功应用。

3）基于tensorflow开源了代码

 

二， 实验：

首先：考虑实际需求：

l 超过一百万个应用程序，所以它是难以在服务延迟需求中精确计算每个查询。

 

基于上面需求，本论文先retrieval粗筛，用machine-learning models和human-defined rules，