レコメンデーションシステムのためのワイド＆ディープラーニング

疎な入力を持つ大規模な回帰問題や分類問題に広く使用されているのが、非線形特徴変換を用いた一般化線形モデルです。多くのクロス積特徴変換を通じて特徴の相互作用を記憶することは効果的かつ解釈可能ですが、一般化にはより多くの特徴エンジニアリングが必要となります。一方、深層ニューラルネットワークは、疎な特徴に対して学習された低次元の密な埋め込みを用いることで、未知の特徴組み合わせに対する一般化性能が向上しますが、ユーザー-アイテムの相互作用が疎で高ランクである場合、過度に一般化し、関連性の低いアイテムを推薦する可能性があります。本論文では、記憶と一般化の利点を組み合わせたレコメンデーションシステム向けの「ワイド＆ディープ学習」について紹介します。これは、ワイド線形モデルと深層ニューラルネットワークを共同で訓練することで実現されます。我々はこのシステムをGoogle Play（商用モバイルアプリストアで10億以上のアクティブユーザーと100万以上のアプリケーションを持つ）に実装し評価しました。オンライン実験結果によると、「ワイド＆ディープ」は単独のワイドモデルやディープモデルと比較してアプリ取得数を大幅に増加させました。また、TensorFlowでの実装もオープンソースとして公開しています。