النماذج الخطية المعممة مع تحويلات ميزات غير خطية تُستخدم على نطاق واسع في مشاكل الانحدار والتصنيف الكبيرة الحجم ذات المدخلات النادرة. تعتبر تحويلات المنتج العرضي الواسعة فعالة وقابلة للتفسير في تخزين تفاعلات الميزات، بينما يتطلب التعميم جهداً أكبر في هندسة الميزات. يمكن للشبكات العصبية العميقة أن تتعمم بشكل أفضل على تفاعلات الميزات غير المعروفة من خلال تمثيلات كثيفة ذات أبعاد منخفضة يتم تعلمها للميزات النادرة، ولكن مع وجود تفاعلات مستخدم-عنصر نادرة ومرتبة عالية، قد تتعمم الشبكات العصبية العميقة بشكل مفرط وتوصي بعناصر أقل صلة. في هذا البحث، نقدم التعلم الواسع والعميق---وهو نظام يدرب النماذج الخطية الواسعة والشبكات العصبية العميقة بشكل مشترك---لدمج فوائد التخزين والتعميم لأنظمة التوصية. قمنا بتنفيذ وإvaluating النظام على متجر Google Play، وهو متجر تطبيقات محمول تجاري يضم أكثر من مليار مستخدم نشط وأكثر من مليون تطبيق. أظهرت نتائج التجارب عبر الإنترنت أن التعلم الواسع والعميق زاد بشكل كبير من اكتساب التطبيقات مقارنة بالنماذج الواسعة فقط والنماذج العميقة فقط. كما قمنا بإصدار تنفيذنا كمصدر مفتوح في TensorFlow.