知识卡片
WideDeep双路融合结构
Wide&Deep把两路网络接到同一个输出层:Wide部分输入稀疏的id类特征,用交叉积变换把已安装应用与曝光应用组合成布尔特征,擅长记忆;Deep部分输入全量特征,类别特征经Embedding拼成高维向量,再过几层ReLU做深度交叉,擅长泛化;最后用逻辑回归把两路输出融合成统一预测。特征工程上它把历史行为留给Wide、全量特征留给Deep,体现了对Google Play业务的深刻理解。这套双路互补范式影响力极大,DeepFM、NFM乃至DeepCross都可视为它的延伸。
结构图:
flowchart TD
SP[稀疏id特征 已安装与曝光应用] --> CPT[交叉积变换]
CPT --> W[Wide部分 单层记忆]
ALL[全量特征] --> EMB[Embedding拼接]
EMB --> RELU[多层ReLU 深度交叉]
RELU --> DP[Deep部分 泛化]
W --> LOG[逻辑回归输出层]
DP --> LOG
LOG --> OUT[统一预测]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 浪潮之巅——深度学习在推荐系统中的应用 · 查看原书依据
Wide&Deep模型把单输入层的Wide部分与由Embedding层和多隐层组成的Deep部分连接起来,一起输入最终的输出层。
参考来源
- 位置:《深度学习推荐系统》第3章 浪潮之巅——深度学习在推荐系统中的应用(源文件:extracted/深度学习推荐系统/_epub-src/text/part0007_split_006.html)
- 结论依据:原文描述Wide与Deep两部分的连接、交叉积变换及LogLoss融合,并说明其特征分工。
- 原始内容:Wide&Deep模型把单输入层的Wide部分与由Embedding层和多隐层组成的Deep部分连接起来,一起输入最终的输出层。