추천 시스템을 위한 와이드 앤 딥 학습

스파스 입력을 가진 대규모 회귀 및 분류 문제에 대해 비선형 특성 변환을 사용한 일반화 선형 모델이 널리 사용되고 있습니다. 광범위한 교차 곱셈 특성 변환을 통해 특성 상호작용을 기억하는 것은 효과적이고 해석 가능하지만, 일반화를 위해서는 더 많은 특성 공학 노력이 필요합니다. 적은 특성 공학으로도 딥 뉴럴 네트워크는 스파스 특성을 위한 저차원 밀집 임베딩을 학습하여 보지 못한 특성 조합에 대해 더 잘 일반화할 수 있습니다. 그러나 임베딩을 사용한 딥 뉴럴 네트워크는 사용자-항목 상호작용이 스파스하고 고차원일 때 과도하게 일반화하여 관련성이 덜한 항목을 추천할 수 있습니다. 본 논문에서는 메모리제이션과 일반화의 이점을 결합하기 위해 광범위한 선형 모델과 딥 뉴럴 네트워크를 공동으로 훈련시키는 Wide & Deep 학습 방법론을 제시합니다. 우리는 이 시스템을 구글 플레이, 10억 명 이상의 활성 사용자와 100만 개 이상의 앱을 보유한 상업적인 모바일 앱 스토어에서 실용화하고 평가했습니다. 온라인 실험 결과, Wide & Deep는 wide-only 및 deep-only 모델에 비해 앱 획득률을 크게 증가시켰습니다. 또한 우리는 TensorFlow에서 우리의 구현을 오픈 소스로 제공하였습니다.