推荐系统中的宽深学习

广义线性模型通过非线性特征变换在大规模回归和分类问题中被广泛应用于稀疏输入数据。通过广泛的交叉积特征变换来记忆特征交互是有效且可解释的，而泛化则需要更多的特征工程努力。相比之下，深度神经网络可以通过为稀疏特征学习低维密集嵌入（dense embeddings），在较少的特征工程下更好地泛化到未见过的特征组合。然而，当用户-项目交互稀疏且高秩时，带有嵌入的深度神经网络可能会过度泛化并推荐相关性较低的项目。本文介绍了宽深学习（Wide & Deep learning）——联合训练的宽线性模型和深度神经网络——以结合记忆和泛化的优点，用于推荐系统。我们在Google Play上实现了该系统并进行了评估，这是一个拥有超过十亿活跃用户和超过一百万应用程序的商业移动应用商店。在线实验结果显示，与仅使用宽模型或仅使用深模型相比，宽深学习显著增加了应用程序的获取量。我们还开源了在TensorFlow中的实现代码。