推荐系统 广告算法 CTR预估 CVR预估
Recommender Systems
-
《Wide & Deep Learning for Recommender Systems》
LR是CTR预估最经典的一个模型，具有简单、高效和解释性强等特点，但是线性模型的表达能力有限，虽然可以通过交叉特征的方式让LR学到一些非线性特征，但是人工交叉特征成本很高，并且还要求算法工程师对所从事的业务有着很深的理解，才能做好特征工程，此外当需要交叉高阶特征时，再强的专家也很难实现，现实的业务中特征数量会很多，一旦交叉很可能会出现特征爆炸的情况。
这篇文章提出了一个wide&deep模型可以有效的解决传统LR存在的缺点，整个模型分成wide和deep两部分：（1）wide部分就是传统的LR，主要学习一些可以被解释的线性特征和一些交叉特征；（2）deep部分就是一个DNN网络，DNN可以有效的学习到特征之间的相互作用，尤其是可以学习到高阶特征交互，并且可以增加embeddings层处理高维稀疏特征。最后将wide和deep两部分组合在一起经过sigmoid函数输出，显著地提升了模型的效果。
