深度模型笔记02 Wide&Deep

最新推荐文章于 2022-09-16 12:07:00 发布

ritatype

最新推荐文章于 2022-09-16 12:07:00 发布

阅读量218

点赞数

本文链接：https://blog.youkuaiyun.com/ritatype/article/details/114983151

版权

Wide&Deep模型结合了浅层神经网络的"记忆能力"和深层神经网络的"泛化能力"，广泛应用于特征丰富的场景。Wide部分处理稀疏特征，用于筛选常见模式，而Deep部分通过embedding学习特征间的深层交叉。在股票预测中，自然语言处理特征适合wide，股票关联特征适合deep。Wide使用L1 FTRL训练以过滤不重要特征，Deep则处理稠密的embedding向量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

深度模型笔记02 Wide&Deep

更多资料参考：datawhale

1. Wide&Deep

一句话概括W&D，W&D由浅层（或单层）的wide部分神经网络和深层的deep部分多层神经网络组成，输出层采用softmax或logistics regression综合wide和deep部分的输出。
在这里插入图片描述
特点：
1.wide部分有利于增强模型的“记忆能力”，deep部分有利于增强模型的“泛化能力”。
2.wide侧记住的是历史数据中常见、高频的模式，它没有发现新模式的能力，一般输入一些高度稀疏的数据，进行模式的筛选。
3.deep侧通过embedding的方式将数据特征映射城稠密向量，让dnn学习这些特征之间的深层交叉，以增强扩展能力。

2.模型构造

# Wide&Deep 模型的wide部分及Deep部分的特征选择，应该根据实际的业务场景去确定哪些特征应该放在Wide部分，哪些特征应该放在De

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ritatype

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

深度学习推荐模型-Wide&Deep

专注大数据与人工智能技术分享，欢迎私信加群互相学习！

03-18

517

本文参考链接，仅供个人学习：https://github.com/datawhalechina/team-learning-rs/tree/master/DeepRecommendationModel 相关学习书籍推荐：《深度学习推荐系统》王喆 Wide & Deep介绍 Wide & Deep Model Memorization：之前大规模稀疏输入的处理是：通过线性模型 + 特征交叉。所带来的Memorization以及记忆能力非常有效和可解释。但是Generalizat.

Wide&Deep模型

qq_36559719的博客

03-19

365

Wide&Deep 这次我们来学习推荐算法中的Wide&Deep模型。该模型出自Google 在16年发布的一篇文章 Wide & Deep Learning for Recommender Systems。在文中提出了一种融合浅层（wide）模型和深层（deep）模型进行联合训练的框架该框架综合利用浅层模型的记忆能力和深层模型的泛化能力，实现单模型对推荐系统准确性和扩展性的兼顾。该模型主要用来在推荐系统的点击率预估，即给出用户一个物品是否进行点击操作或者给出点击的概率。文章摘要

参与评论您还未登录，请先登录后发表或查看评论

推荐系统中的常用算法——Wide & Deep

热门推荐

null的专栏

10-07

3万+

这篇文章是阅读《Wide &amp; Deep Learning for Recommender Systems》后的总结，该文章中提出结合Wide模型和Deep模型的组合方法，对于提升推荐系统（Recommendation System）的性能有很重要的作用。 1、背景本文提出Wide &amp; Deep模型，旨在使得训练得到的模型能够同时获得记忆（memorization）...

wide&deep模型笔记

qq_39768856的博客

03-18

260

wide&deep模型线性模型无法学习到训练集中未出现的组合特征； FM或DNN通过学习embedding vector虽然可以学习到训练集中未出现的组合特征，但是会过度泛化。 Wide Part Wide Part其实是一个广义的线性模型使用特征包括： raw input 原始特征 cross-product transformation 组合特征接下来我们用同一个例子来说明：你给model一个query（你想吃的美食），model返回给你一个美食，然后你购买/消费了这个推荐。也就是说，推

每周一文（九）google wide&deep模型

更木的博客

04-08

244

契机将一些显式的原始以及人工构造的交叉特征放到wide侧进行类似LR模型的操作，从而完成memorization的功能，这些特征已经被专家确定是对最终的结果有很大影响；将一些复杂特征，比如数值类型或者embedding等特征统一放到deep侧来提取更加高阶的特征，从而完成generalization的功能。模型结构模型核心结构如下所示：这个图其实并不是特别直观，甚至在实际应用中都没有严格遵循上图所画的结构。上图的意思是wide侧和deep侧之间特征是严格分开的，但实际应用中模型的结构如下图所示，可

【学习笔记】深度模型Wide&Deep

ytwanzi的博客

03-18

433

Wide&Deep模型学习1.背景2.结构3. 代码实现4. 思考 1.背景来自16年的一篇Google的论文《Wide & Deep Learning for Recommender Systems》，文章将传统的LR和DNN组合构成一个wide&deep模型（并行结构），既保留了LR的拟合能力，又具有DNN的泛化能力，并且不需要单独训练模型（join），可以方便模型的迭代。问题的提出：线性模型LR泛化能力较弱，且需要做好特征工程，无法学习到训练集中未出现的组合特征。 FM或

【推荐系统】wide&deep模型、NeuralCF模型笔记

m0_51933492的博客

09-16

748

Deep：DNN模型，提高模型的泛化能力。Wide：简单的广义线性模型，其特征组合需要人去设计，依赖人工特征工程。注重模型的记忆能力。

论文笔记：Wide & Deep Learning for Recommender Systems

xiongjiezk的专栏

07-06

3097

Wide&Deep模型学习笔记

gulaixiangjuejue的博客

03-18

231

Wide&Deep模型将浅层模型（Wide部分）的记忆能力和深层模型（Deep部分）的泛化能力结合起来，让推荐结果兼顾准确性和拓展性。 1、Wide部分其中浅层模型的记忆能力指从历史数据中学到高频共现的特征组合的能力。这部分就是简单的线性模型：y=Wx+b。x表示基础特征和交叉特征。其中交叉特征代码实现 2、Deep部分 Deep部分是一个深度神经网络，将类别特征转化为低维稠密向量，让神经网络自主学习特征之间的交叉关系。 ...

嵌入式八股文面试题库资料知识宝典-深圳禾苗通信科技有限公司.zip

04-27

嵌入式八股文面试题库资料知识宝典-深圳禾苗通信科技有限公司.zip

Arduino UART实验例程【正点原子EPS32S3】

04-27

Arduino UART实验例程，开发板：正点原子EPS32S3，本人主页有详细实验说明可供参考。

电力弹簧技术在主动配电网规划与运行优化调度中的应用研究

04-27

内容概要：本文详细探讨了电力弹簧技术在主动配电网规划及运行优化调度中的应用。首先介绍了电力弹簧技术作为智能电网调控手段的优势，如自适应性强、响应速度快、节能环保等。接着阐述了主动配电网规划的目标和策略，包括优化电网结构、提高能源利用效率和降低故障风险。随后讨论了运行优化调度的原则和方法，强调了实时监测、智能调度策略以及优化调度模型的重要性。最后通过实际案例分析展示了电力弹簧技术在提升电网稳定性、可靠性和能效方面的显著效果，展望了其广阔的应用前景。适合人群：从事电力系统规划、运行管理的研究人员和技术人员，以及对智能电网感兴趣的学者和学生。使用场景及目标：适用于希望深入了解电力弹簧技术及其在主动配电网规划和运行优化调度中具体应用的专业人士。目标是掌握电力弹簧技术的工作原理、优势及其在实际项目中的实施方法。其他说明：本文不仅提供了理论分析，还有具体的案例支持，有助于读者全面理解电力弹簧技术的实际应用价值。

honor_1.145_testgray20250427.apk

最新发布

04-27

honor_1.145_testgray20250427.apk

嵌入式八股文面试题库资料知识宝典-【开发】嵌入式开源项目&库&资料.zip

04-27

嵌入式八股文面试题库资料知识宝典-【开发】嵌入式开源项目&库&资料.zip

鸿蒙生态HarmonyOS：万物互联时代的操作系统革新与发展路径

04-27

内容概要：本文详细介绍了华为推出的面向全场景的分布式操作系统HarmonyOS。HarmonyOS旨在打破设备间的壁垒，实现万物互联，通过分布式软总线和分布式任务调度等核心技术，让不同设备协同工作，如手机、平板、智能家居等设备间无缝流转任务。其应用生态涵盖教育、金融、出行等多个领域，华为通过资金、技术支持和流量扶持吸引开发者，推动生态繁荣。HarmonyOS从2019年首次发布至今，经历了多个版本迭代，性能和安全性不断提升，用户体验更加智能便捷。尽管面临应用生态丰富度不足、市场竞争压力等挑战，华为通过优化开发工具、加强市场推广等策略积极应对。未来，HarmonyOS将在分布式技术、AI融合和隐私安全等方面持续创新，并在智能家居、车联网、工业互联网等领域拓展生态。适合人群：对操作系统技术感兴趣的专业人士、开发者、科技爱好者。使用场景及目标：①了解HarmonyOS的技术架构和分布式技术的特点；②探讨HarmonyOS在智能家居、车联网等领域的应用前景；③评估HarmonyOS对现有操作系统市场的潜在影响。阅读建议：HarmonyOS作为一款面向全场景的操作系统，不仅涉及技术实现，还包括生态建设和用户体验。因此，在阅读过程中，应重点关注其技术优势、应用场景及未来发展潜力，结合自身需求思考其在实际生活和工作中的应用价值。

少儿编程scratch项目源代码文件案例素材-简单杀戮.zip

04-27

少儿编程scratch项目源代码文件案例素材-简单杀戮.zip

基于阻抗控制和工艺优化的机器人磨抛技术研究.pdf

04-27

基于阻抗控制和工艺优化的机器人磨抛技术研究.pdf

少儿编程scratch项目源代码文件案例素材-扛住别被压.zip

04-27

少儿编程scratch项目源代码文件案例素材-扛住别被压.zip

【操作系统领域】HarmonyOS架构解析：分布式设计与全场景智能应用的创新实践

04-27

内容概要：本文详细介绍了华为自主研发的面向全场景的分布式操作系统——HarmonyOS的架构设计及其在智能家居、智能穿戴、智慧出行等领域的应用。HarmonyOS采用分层架构，包括内核层、系统服务层、框架层和应用层，各层分工明确，协同工作，为用户提供稳定、高效、智能的操作系统。其核心特性包括分布式架构、微内核设计、组件化开发和一次开发多端部署，这些特性使得不同设备能够实现互联互通和资源共享，为用户带来无缝的全场景智能体验。此外，文章还探讨了HarmonyOS面临的生态建设和兼容性挑战，以及未来的发展前景和技术创新方向。适合人群：对操作系统架构感兴趣的科技爱好者、智能设备开发者及相关行业从业者。使用场景及目标：①了解HarmonyOS架构设计及其在智能家居、智能穿戴、智慧出行等领域的具体应用；②掌握HarmonyOS的核心特性，如分布式架构、微内核设计、组件化开发和一次开发多端部署；③探讨HarmonyOS面临的挑战及其未来发展方向。其他说明：HarmonyOS的出现不仅为华为在智能设备领域的发展提供了有力支撑，也为整个行业的创新发展注入了新的活力。作为科技爱好者和关注者，我们应持续关注HarmonyOS的发展，共同见证它在智能设备领域创造更多的辉煌。