今天要和大家介 Google 在 2016 年發表的一種重量級的推薦算法 Wide&Deep 。它出自 Wide&Deep for recommendation 這篇論文，它當初運用在 Google App Store 的 APP 推薦，使得下載率大大的提升，也成為後來需多演算法是架在這個思維下再擴充。所以說這也是一個在推薦系統領域裡，非常具有里程碑意義的演算法。

為什麼需要 Wide & Deep 呢？

在做推薦時，我們常會需解決 2 種情況：

第一種，明顯知道特徵與結果關係很強烈，無論他們中間過程是如何複雜，這種共現關係最好是被硬記、硬學起來，等下次再有類似場景時，不必再思考，就馬上拿出來用就好了！

第二種，對於沒見過，或是特徵與結果不明顯的事，那就要細細思考來龍去脈，把所有可能的因果關係全用上，再來做結論。

解決第一種情況，就稱它為 Wide ，就是要死背硬記所有對應規則，這就是傳統 LR 的絕活。

要解決第二種情況，就是深度學習的看家本領，它有辦法比對所有的特徵之間的關係，然後做出哪些特徵組合與結果是有關係的。這就稱他叫 Deep 。

現在問題來了，這Wide&Deep兩個東西要怎麼併在一起？

廣與深 Wide & Deep 如何兼得？

沒什麼特別的，看了還覺有點簡單粗暴。

Wide&Deep 還真的拿了兩個模型最後用 Sigmoid 結合起來。
一個模型是 DNN ， 另一邊就是傳統的LR。

負責 深度的 (Deep) 的 DNN 模型的說明

這邊是把輸入分為兩類：連續性特徵及分類特徵（離散特徵）。其中，分類特徵是做了 One-hot 編碼，然後再送到 embedding 裡去做轉換，然後與連續性特徵，共同做了三次的 Relu，最後再和另一邊的 LR (Wide 那部份）傳來的訊號，一起送進 Logloss 輸出層再輸出。

所以這部份負責的就是深度的部份 。

負責廣度的(Wide) 說明

Wide 部份，用輸入，也是和 Deep 相同的特徵向量，只是它是用 交叉積變換層，來做到 LR 要做的事。

這部份的輸出，也是直接和 Deep 那邊一起送入 Logloss 裡，估最後的輸出。

到這邊，是不是覺得這個模型在解決問題上，是針對他們的需要去決。並且解決的思路並沒有特別的難懂，但對於他們的應用場景上，是非常有用的。

對了這個演算法，目前在 TensorFlow 上也有提供，大家也可以去玩玩。

參考資料

Wide & Deep Learning: Better Together with TensorFlow