* 论文笔记 【Wide Deep Learning for Recommender Systems】
标题 * 表示未完成
论文原文传送门
- 研究目的
- 本文章提出了一种 W i d e & D e e p L e a r n i n g Wide\ \&\ Deep\ Learning Wide & Deep Learning算法, W i d e Wide Wide 表示一个宽广的线性模型(如LR模型), D e e p Deep Deep 表示一个DNN,文章中将这两种子模型结合起来提高了模型的 m e m o r i z a t i o n a n d g e n e r a l i z a t i o n memorization\ and\ generalization memorization and generalization 能力,以此来达到提升推荐服务的质量的目的,此算法已在谷歌商店的实际生产环境中上线,事实证明其显著的提升了APP安装量。
- 文章指出推荐系统可以被看做一个搜索排序问题(即给予一定的条件输入,系统将返回一个可能感兴趣的产品列表),提升此系统性能的关键点就在于解决 m e m o r i z a t i o n a n d g e n e r a l i z a t i o n memorization\ and\ generalization memorization and generalization 问题。
- m e m o r i z a t i o n memorization memorization 可以被宽泛的定义为利用 user 历史数据中的各种数据关系来学习时常共同出现的 items or features,即:使用户切实产生过的 ‘痕迹’ 来保证推荐服务质量。
- g e n e r a l i z a t i o n generalization generalization 一般基于关联信息具有传递性的特点,并以此来找出过去尚未发现的 u s e r − i t e m user-item user−item交互特征,即:挖掘出用户的潜在需求,为用户推荐 ‘自身需要的,但是自身尚未意识到自身需要的’ 。
- 在文章中指出 g e n e r a l i z a t i o n generalization generalization使用利用了embeddings的深度神经网络实现时,有时会出现over-generalize(过于笼统)的推荐,尤其是 u s e r − i t e m user-item user−item交互矩阵是稀疏和高维的时候。所以文章提出使用基于交叉积特征转换的线性模型来记忆这些 ‘特殊情况’ 来解决上述问题。
-
现有方法(研究现状)
-
本文模型及方法
-
实验结果
-
其它
- END