深度推荐模型--笔记二--Wide & Deep_wide&deep模型,哪些特征适合添加到wide侧?

Wide & Deep的地位

Wide & Deep处于一个居中的位置，一些模型都是根据它演化出来的，可以看到对wide部分进行改进出现了DCN和DeepFM；对Deep部分进行改进产生了AFM和NFM模型。

什么是Wide & Deep

顾名思义，模型就是由两部分组成：
Wide部分是线性模型，我理解为Y=wX+b。X特征部分包括原有特征和交叉特征。交叉特征(cross-product transformation)在wide部分很重要，可以起到添加非线性的作用。交叉特征可表示为：

Cki非0则1，每个这样的连乘式，每组cki都至多只有两个为1，其余全为0，每个连乘式最多两个特征相乘。如此一来Wide增强了模型的 记忆性 Memorization。

Deep部分就是一个DNN前馈神经网络，这里的输入也是包括两部分，一部分是数值特征，一部分是类别特征（需要进行embedding操作），Deep部分可以通过学习稠密向量提高模型的泛化能力。如此一来Deep部分增强了模型的泛化性 Generalization。

思考题

1. 在你的应用场景中，哪些特征适合放在Wide侧，哪些特征适合放在Deep侧，为什么呢？
   Wide：item id，user id
   Deep：年龄、性别、语言、民族、item的历史统计信息
2. 为什么Wide部分要用L1 FTRL训练？
   模型中Deep的DNN部分使用的优化器是比较常规的AdaGrad。
   而Wide部分的优化算法（相当于优化器）则是使用了L1正则的FTRL（Follow-the-regularized-leader）L1 FTRL会让Wide部分的大部分权重都为0，这压缩了模型权重，也压缩了特征向量的维度。Google的应用场景会产生海量的权重，L1 FTRL能有效的过滤其中的稀疏特征。
3. 为什么Deep部分不特别考虑稀疏性的问题？
   从源头开始Deep部分的数据就不会是稀疏的，Deep部分的输入是数值类特征和已经降维并稠密化的Embedding向量，所以Deep部分不存在严重的特征稀疏问题。

参考

①datawhale组队学习-DeepRecommendationModel：
https://github.com/datawhalechina/team-learning-rs/tree/master/DeepRecommendationModel

②一文搞懂Wide&deep：https://zhuanlan.zhihu.com/p/147054851

③Wide & Deep算法介绍：https://blog.csdn.net/suspend2014/article/details/104344475

④详解 Wide&Deep 推荐框架：https://zhuanlan.zhihu.com/p/57247478

⑤见微知著，你真的搞懂Google的Wide&Deep模型了吗？：https://zhuanlan.zhihu.com/p/142958834