Wide&Deep模型

文章提出了一种想法，将具有memorization（记忆）能力的Wide模型与具有generalization（泛化）能力的Deep模型进行组合。

Memorization可以宽泛地定义成学到items或features的共现率，并利用（exploiting）这种在历史数据中的相关关系（correlation）。Generalization则基于相关关系的转移，并探索（explores）在过往很少或从不出现的新的特征组合。基于Memorization的推荐系统通常更局部化(topical)，将items与执行相应动作的users直接相关。而基于Generalization的推荐则更趋向于推荐多样化的items。

在工业界的推荐领域，一直以来LR得到广泛应用，因为线性模型相对于其他模型十分简单，易扩展，且具有较高的可解释性。通常，对于类别信息，通过one-hot编码后，拼接得到输入变量，因为原本类别信息若直接作为一维特征输入，无法体现不同类别之间的相似关系，而通过one-hot编码后，向量之间的欧式距离就代表了向量之间的相似程度，并且对于稀疏向量，运算效率更高

https://blog.csdn.net/Lyteins/article/details/85084311

https://blog.csdn.net/hellozhxy/article/details/83030851