Verallgemeinerte lineare Modelle mit nichtlinearen MerkmalsTransformationen werden häufig für groß angelegte Regressions- und Klassifikationsprobleme mit dünn besetzten Eingaben verwendet. Die Memorierung von Merkmalsinteraktionen durch eine breite Menge an Kreuzprodukt-MerkmalsTransformationen ist effektiv und interpretierbar, während die Generalisierung mehr Merkmalsingenieurarbeit erfordert. Mit weniger Merkmalsingenieurarbeit können tiefe Neuronale Netze durch niedrigdimensionale dichte Einbettungen, die für die dünn besetzten Merkmale gelernt werden, besser auf unbekannte Merkmalskombinationen generalisieren. Allerdings können tiefe Neuronale Netze mit Einbettungen über-generalisieren und weniger relevante Elemente empfehlen, wenn die Benutzer-Element-Interaktionen dünn besetzt und hochrangig sind. In dieser Arbeit präsentieren wir Wide & Deep Learning – gemeinsam trainierte breite lineare Modelle und tiefe neuronale Netze – um die Vorteile von Memorierung und Generalisierung für Empfehlungssysteme zu kombinieren. Wir haben das System bei Google Play, einem kommerziellen mobilen App Store mit über einer Milliarde aktiven Nutzern und über einer Million Apps, produktiv eingesetzt und evaluiert. Online-Experimentsergebnisse zeigen, dass Wide & Deep die App-Acquisitionsignifikant erhöht hat im Vergleich zu rein breiten oder rein tiefen Modellen. Unser Implementierungsansatz wurde zudem in TensorFlow als Open Source veröffentlicht.