qq_44872466的博客

摘要Wide&Deep模型的主要思路正如其名，是由单层的Wide部分和多层的Deep部分组成的混合模型。其中，Wide部分的主要作用是让模型具有较强的“记忆能力”；Deep部分的主要作用是让模型具有“泛化能力”，正是这样的结构特点，使模型兼具了逻辑回归和深度神经网络的优点-----能够快速处理并记忆大量历史行为特征，并且具有强大的表达能力，不仅在当时迅速成为业界争相应用的主流模型，而且衍生出了大量以Wide&Deep模型为基础结构的混合模型，影响力一直延续至今。wideWide部分的作

课程框架协同过滤算法：主要包括基于用户的协同过滤和基于商品的协同过滤；矩阵分解算法：矩阵分解算法通过引入隐向量加强了模型处理稀疏矩阵的能力；FM模型：该算法属于对逻辑回归算法应用在推荐系统上的一个改进，主要引入了特征交叉项；GBDT+LR：相较于简单的LR，GBDT可以对特征进行深度的特征交叉，充分利用了特征间的相关性；Deep&Wide:将wide的部分和deep的部分使用其输出对数几率的加权和作为预测，然后将其输入到联合训练的一个共同的逻辑损失函数。推荐系统简介对于用户而言，

baselinebaseline使用的是简单的全连接神经网络，效果较为一般；改进尝试使用lstm模型进行训练；效果