WDL(Wide & Deep Learning for Recommender Systems)——Google经典CTR预估模型

一、文章简介

Wide & Deep Learning for Recommender Systems这篇文章介绍了一种结合宽线性模型和深度神经网络的方法,以实现推荐系统中的记忆和泛化。这种方法在Google Play商店的应用推荐系统中进行了评估,展示了其显著的性能提升。

推荐系统中的记忆和泛化

为了实现记忆和泛化,Wide & Deep模型结合了宽线性模型和深度神经网络:

1.宽组件(Wide Component)

宽组件的主要功能是实现记忆,即捕捉特征之间的频繁共现关系。这部分模型采用线性模型,利用交叉乘积特征来捕捉特征之间的高阶关系。

1). 原始输入特征和交叉乘积特征
  • 原始输入特征:这些是从用户和上下文数据中提取的直接特征。例如,用户的安装应用、语言、年龄等。
  • 交叉乘积特征:通过交叉乘积转换生成的新特征,这些特征通过组合原始特征来捕捉特征间的交互。例如,"AND(gender=female, language=en)"表示女性用户使用英语。
2). 公式

宽组件的线性组合公式:

其中:

  • 是原始输入特征向量。
  • 是交叉乘积特征向量。
  • 是宽组件的权重向量。
3). 记忆功能

宽组件通过权重向量​ 学习特征间的共现关系。例如,如果某用户安装了Netflix且展示了Pandora,则特征"AND(user_installed_app=netflix, impression_app=pandora)"的值为1,模型可以利用这个信息来进行记忆。

2.深组件(Deep Component)

深组件的主要功能是实现泛化,即学习特征之间的潜在关系,处理未见过的新特征组合。深组件通过深度神经网络来实现,能够更好地捕捉复杂的非线性关系。

1).嵌入层

类别特征嵌入:将高维稀疏的类别特征转化为低维稠密的嵌入向量。每个类别特征(如"language=en")被映射到一个32维的嵌入向量。公式:

其中, 是嵌入向量,是类别特征。

2).隐藏层
  • 连接嵌入和稠密特征:将所有嵌入向量和稠密特征连接在一起,形成一个约1200维的稠密向量。
  • 多层感知器:通过多层感知器(MLP)进行处理,通常包括3个ReLU层,每层执行非线性变换,捕捉复杂的特征关系

其中:

  • 是第层的激活值。
  • 是第层的权重矩阵。
  • 是第层的偏置向量。
  • 是激活函数,通常为
3).泛化功能

深组件通过嵌入层和多层感知器学习特征之间的非线性关系,能够处理以前未见过的新特征组合。例如,通过学习用户的行为模式和上下文信息,模型可以生成新的推荐。

3).实例代码
python 复制代码
import tensorflow as tf

# 创建一个简单的模型,包括一个嵌入层、一个隐藏层和一个输出层
model = tf.keras.Sequential([
    tf.keras.layers.Embedding(input_dim=4, output_dim=32, input_length=1),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),  # 隐藏层
    tf.keras.layers.Dense(1)  # 输出层
])

# 编译模型
model.compile(optimizer='adam', loss='mse')

# 打印嵌入层的权重(训练前)
print("嵌入层权重(训练前):")
print(model.layers[0].get_weights()[0])

# 创建简单的数据
import numpy as np
x_train = np.array([[0], [1], [2], [3]])
y_train = np.array([1.0, 2.0, 3.0, 4.0])

# 训练模型
model.fit(x_train, y_train, epochs=100, verbose=0)

# 打印嵌入层的权重(训练后)
print("嵌入层权重(训练后):")
print(model.layers[0].get_weights()[0])

3.结合记忆和泛化

宽组件和深组件的输出通过加权和进行组合,作为最终的预测结果。在训练过程中,这两部分是同时优化的,使得模型能够平衡记忆和泛化的需求。具体过程如下:

1).计算宽组件的输出:

宽组件的输出是原始输入特征和交叉乘积特征的线性组合:

2).计算深组件的输出

深组件的输出是嵌入层和多层感知器处理后的结果:

其中, 是深度模型最后一层的激活值。

3).组合输出

宽组件和深组件的输出通过加权和进行组合,作为最终的预测值:

其中, 是sigmoid激活函数,分别是宽组件和深组件的权重向量,是深组件最后一层的激活值,是偏置项。

4).损失函数和优化

使用逻辑损失函数(logistic loss function)进行联合训练,通过反向传播算法同时优化宽组件和深组件的参数:

其中:

  • 是样本的数量。
  • 是第个样本的实际标签(0 或 1)。
  • 是第个样本的预测概率,即样本属于类别 1 的概率。
  • 是自然对数。
损失函数的意义
  • 当实际标签 为 1 时 ,损失函数的第一项 起作用,第二项为零。这部分损失鼓励模型将 尽可能地接近 1。
  • 当实际标签 为 0 时 ,损失函数的第二项 起作用,第一项为零。这部分损失鼓励模型将 尽可能地接近 0。

通过最小化这个损失函数,模型会在预测时更加准确地反映实际标签。

逻辑损失函数的特性
  • 凸性:逻辑损失函数是一个凸函数,这意味着存在全局最优解(证明见下一篇博客)。
  • 概率解释:逻辑损失函数直接反映了模型预测概率的准确性,能够有效处理不平衡数据集。

4.结论与意义

  • Wide & Deep模型成功结合了记忆和泛化的优势,在推荐系统中表现出色。
  • 实际应用中,通过在线实验验证了其有效性和改进。
  • 提供了开源实现,为进一步研究和应用提供了基础。
相关推荐
白雪讲堂7 分钟前
AI搜索品牌曝光资料包(精准适配文心一言/Kimi/DeepSeek等场景)
大数据·人工智能·搜索引擎·ai·文心一言·deepseek
斯汤雷13 分钟前
Matlab绘图案例,设置图片大小,坐标轴比例为黄金比
数据库·人工智能·算法·matlab·信息可视化
ejinxian19 分钟前
Spring AI Alibaba 快速开发生成式 Java AI 应用
java·人工智能·spring
葡萄成熟时_24 分钟前
【第十三届“泰迪杯”数据挖掘挑战赛】【2025泰迪杯】【代码篇】A题解题全流程(持续更新)
人工智能·数据挖掘
机器之心38 分钟前
一篇论文,看见百度广告推荐系统在大模型时代的革新
人工智能
机器之心41 分钟前
视觉SSL终于追上了CLIP!Yann LeCun、谢赛宁等新作,逆转VQA任务固有认知
人工智能
赣州云智科技的技术铺子1 小时前
【一步步开发AI运动APP】六、运动计时计数能调用
人工智能·程序员
东临碣石821 小时前
【AI论文】什么、如何、何处以及效果如何?大语言模型测试时缩放技术调研
人工智能