Wide & Deep Learning для рекомендательных систем

Обобщённые линейные модели с нелинейными преобразованиями признаков широко используются для задач масштабной регрессии и классификации при разреженных входных данных. Запоминание взаимодействий признаков посредством широкого набора перекрёстных преобразований признаков эффективно и интерпретируемо, тогда как обобщение требует большей инженерии признаков. При меньшей инженерии признаков глубокие нейронные сети могут лучше обобщать на невидимые комбинации признаков за счёт низкоразмерных плотных эмбеддингов, обучаемых для разреженных признаков. Однако глубокие нейронные сети с эмбеддингами могут чрезмерно обобщать и рекомендовать менее релевантные элементы, когда взаимодействия пользователь–предмет разрежены и имеют высокий ранг. В этой статье мы представляем Wide & Deep learning — совместно обучаемые широкие линейные модели и глубокие нейронные сети — чтобы объединить преимущества запоминания и обобщения для рекомендательных систем. Мы внедрили систему в промышленную эксплуатацию и оценили её на Google Play, коммерческом магазине мобильных приложений с более чем одним миллионом приложений и более чем одним миллиардом активных пользователей. Результаты онлайн-экспериментов показывают, что Wide & Deep значительно увеличивает приобретения приложений по сравнению с моделями только wide и только deep. Мы также опубликовали нашу реализацию с открытым исходным кодом в TensorFlow.