[特征工程系列四]Wide&Deep Learning for Recommender Systems

今天讲下目前在推荐领域非常火的一种特征组合的方式Wide&Deep，这个思路其实是源自GOOGLE的一篇PAPER《Wide&Deep Learning for RecommenderSystems》，短短的四页但是讲得特别好，非常推荐大家阅读。

 

Ok，我们开始今天关于wide&deep这个方法的介绍，大家一看这个词的组合，肯定觉得很困惑，什么东西是“越宽越深”呢？

 

先来说wide，表示的是generalized的推荐系统，传统的推荐系统都是通过线性算法基于离散特征来做推荐的。Wide推荐通常是这样的：系统通过获得用户的购物日志数据，包括用户点击哪些商品，购买过哪些商品，然后通过one-hot编码的方式构成离散特征或者通过对业务的理解衍生出一些特征，具体的方式在特征工程第三篇文章中有介绍。那这种wide推荐方式有非常多的好处，比如对于大规模的稀疏数据有很好的效果，而且模型的解释性很强。什么叫模型的解释性呢？以逻辑回归为例，每个特征都对应模型中的一个权重值，每个特征的权重值的大小跟这个特征对结果的影响是有关的。那么wide方式同样有很多缺点，比如我们一直强调的，特征衍生需要很多人为操作，需要专家经验，另外这种推荐只对用户操作过的商品有效。

 

接着讲下deep，这里的deep表示的是通过深度学习学习出来的一些向量，这些向量是隐性特征，往往是没有明确可解释性的。这些向量也可以作为特征的一部分参与到训练中。通过deep方式产生的特征会有以下好处，其一可以拟补人为提取特征造成的人力思考维度的限制，试想下一个人可以轻易的思考出二阶乘法的结果，如果是五阶呢？其二这部分特征是深度学习框架自动生成的，无需人力干预。

 

接下来就是wide&deep的融合了，这个思想的精髓就是把wide特征和deep特征和到一起组成训练数据。这里有一点需要强调，在预测的过程中两个模型融合其实是有很多方式的，一种方法是两个模型分别对全量数据进行预测，然后根据权重组合最终的预测结果。另一种方式是wide和deep的特征合一，构成一个模型进行预测。Wide&deep选用的是第二种方式：

通过上图可以看到，deep特征和wide特征合起来构成了1200维的模型。

 

那么运用wide&deep思路生成的模型究竟是否能产生推荐系统效果的提升呢，看下这个图：

此案例是论文中提到的基于GOOGLE PLAY真实业务场景的实验数据，在相同数量的测试样本下，只用wide或者只用deep的模型预测AUC效果都弱于使用wide&deep模型的效果。测试的目标是，推荐一个app给用户看用户是否会安装。

 

好啦，介绍到这里，wide&deep的思路的具体工程实现其实已经内置到了tensorflow里面，改天有空再给大家做个案例，今天的理论介绍就到这里，再次推荐大家学习这篇paper~

参考：《Wide & Deep Learning for Recommender Systems》

https://arxiv.org/abs/1606.07792

转自：https://mp.weixin.qq.com/s?__biz=MzA4MDI0NDQyOQ%3D%3D&mid=2447500077&idx=1&sn=a5b2a4844ba577a10cb576782e356d64&scene=45#wechat_redirect