本文介绍了Deep&Wide推荐系统的概念，深入探讨了Wide组件的广义线性模型和Deep组件的前馈神经网络结构。Wide部分利用叉积变换，Deep部分则通过嵌入向量进行低维表示。模型通过联合训练优化所有参数，旨在平衡精准度与表达能力。最终，模型的目标函数结合了Wide和Deep部分的预测，以sigmoid函数输出概率。
论文地址：https://arxiv.org/pdf/1606.07792.pdf
Wide Component
wide部分是一个广义线性模型，如图一左边所示，形如y=wT+b,y = w^T+b,y=wT+b,其中y是预测值，x是d维的特征向量，w是模型参数。而特征又包括了输入特征和变换特征，最重要的转换特征之一是叉积变换，其定义如下：
ϕk(x)=∏i=1nxicki,cki⊂{
0,1} \phi_k(x)=\prod_{i=1}^nx_i^{c_{ki}}, c_{ki} \subset {\left\lbrace0,1 \right\rbrace} ϕk(x)=i=1∏nxicki,cki</
最低0.47元/天 解锁文章
扫一扫
824
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
