开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

使用批处理的Tensorflow Wide&Deep教程示例

TensorFlow Wide&Deep是一种结合了广度和深度学习的模型，用于解决推荐系统和搜索排序等问题。它通过同时考虑用户的广度兴趣和深度兴趣，提高了模型的表达能力和预测准确性。

广度部分是指模型通过处理大量的稀疏特征，例如用户的年龄、性别、地理位置等，来捕捉用户的广度兴趣。这些特征通常是离散的，可以使用one-hot编码表示。在Wide&Deep模型中，广度部分采用了线性模型，通过学习特征之间的交叉关系来进行预测。

深度部分是指模型通过处理少量的稠密特征，例如用户的历史点击行为、购买记录等，来捕捉用户的深度兴趣。这些特征通常是连续的，可以使用embedding技术将其映射为低维稠密向量。在Wide&Deep模型中，深度部分采用了多层神经网络，通过学习特征之间的非线性关系来进行预测。

Wide&Deep模型的优势在于能够同时利用广度和深度的信息，提高了模型的泛化能力和预测准确性。它可以处理大规模的稀疏特征和稠密特征，适用于各种推荐系统和搜索排序的场景。

腾讯云提供了一系列与机器学习和深度学习相关的产品和服务，可以帮助开发者快速构建和部署Wide&Deep模型。以下是一些推荐的腾讯云产品和产品介绍链接地址：

云服务器（Elastic Compute Cloud，简称CVM）：提供灵活可扩展的计算资源，用于训练和推理Wide&Deep模型。产品介绍链接：https://cloud.tencent.com/product/cvm
人工智能引擎（AI Engine）：提供了丰富的机器学习和深度学习算法库，包括TensorFlow等，可以加速模型的训练和推理过程。产品介绍链接：https://cloud.tencent.com/product/aiengine
云数据库（TencentDB）：提供高可用、可扩展的数据库服务，用于存储和管理Wide&Deep模型的训练数据和预测结果。产品介绍链接：https://cloud.tencent.com/product/cdb
云存储（Cloud Object Storage，简称COS）：提供安全可靠的对象存储服务，用于存储Wide&Deep模型的代码、配置文件和训练数据等。产品介绍链接：https://cloud.tencent.com/product/cos
人工智能机器学习平台（AI Machine Learning Platform）：提供了一站式的机器学习和深度学习开发环境，包括模型训练、调优和部署等功能。产品介绍链接：https://cloud.tencent.com/product/aimlp

通过腾讯云的产品和服务，开发者可以方便地构建和部署Wide&Deep模型，实现个性化推荐和搜索排序等应用。

相关搜索:初学者MNIST示例表单Tensorflow 2.0教程 RNN的Tensorflow示例使用模态的教程-库和示例好的条纹教程/示例？tensorflow中的批处理结构使用.NET的Google Indexing API批处理请求示例 Tensorflow中的加权训练示例为什么TensorFlow的教程不使用类？tensorflow.org的tensorflow示例中的官方模块批处理的Tensorflow成对点积使用libjpeg-turbo的TurboJPEG的示例或教程 Tensorflow1和Tensorflow2中的批处理使用Tensorflow LSTM PTB示例对句子进行评分将TensorFlow教程转换为使用我自己的数据使用Tensorflow对非图像数据集进行批处理使用NaN实现Tensorflow / Keras批处理标准化 Tensorflow -如何使用批处理维度执行tf.gather 在TensorFlow中使用图像批处理进行多次运行 TensorFlow示例代码中迭代器的用法用于安卓的TensorFlow C++示例

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

干货好文 | 深度学习是如何在美团点评推荐业务中实践的？

本文作者：陈文石，2012年毕业于东南大学，美团点评算法专家，目前负责点评平台及综合 BG 推荐平台业务。在加入美团点评之前，曾在百度做过一些个性化推荐相关工作。对人工智能在搜索、推荐等业务应用上有较深入理解和实践。

02

她来了她来了，乘风破浪的微信视频号推荐算法

基于脱敏和采样后的数据信息，对于给定的一定数量到访过微信视频号“热门推荐”的用户，根据这些用户在视频号内的历史n天的行为数据，通过算法在测试集上预测出这些用户对于不同视频内容的互动行为（包括点赞、点击头像、收藏、转发等）的发生概率。本次比赛以多个行为预测结果的加权uAUC值进行评分。

02

《深度学习推荐系统》-阅读笔记

本文是《深度学习推荐系统》一书的阅读笔记和思维导图，建议大家入手一本王喆老师的新书，看完绝对会收获颇丰！

03

智能推荐算法在直播场景中的应用

信息过载：信息过载是信息时代信息过于丰富的负面影响之一。指社会信息超过了个人或系统所能接受、处理或有效利用的范围，并导致故障的状况。人们接受了太多信息，却无法有效整合、组织及内化成自己需要的信息，以致影响到人们的工作、生活以及人际关系等。信息过载主要表现为：（1）受传者对信息反映的速度远远低于信息传播的速度；（2）大众媒介中的信息量大大高于受众所能消费、承受或需要的信息量；（3）大量无关的没用的冗余的数据信息严重干扰了受众对相关有用信息的准确性的选择。

03

广告行业中那些趣事系列52：一个超好用的CTR开源项目FuxiCTR

摘要：本篇从理论到实践介绍了华为CTR开源项目FuxiCTR。首先是背景介绍，然后重点详解开源项目FuxiCTR，包括项目架构、支持的主流CTR算法以及在公共数据集上的效果和代码处理流程及源码介绍；最后分别简单介绍了传统CTR模型发展进程和深度学习CTR模型发展进程。对CTR模型感兴趣并希望快速应用到项目实践的小伙伴可以一起沟通交流。

02

原创 | 电视广告流量预测中的“常识”陷阱，你掉进去了吗？

企业中的人工智能算法工程师通常在解决任务前会根据自己的业务“常识”，给予模型一定的假设与先验知识，并选取“常规”解法进行细微调整。然而这样的“常识”一定是准确的吗？我们在对全美电视广告流量预测的项目中发现了诸多有违“常识”的业务特征，同样也采取了有违“常识”的做法。康卡斯特（Comcast）是全美第一大有线电视服务商，旗下的FreeWheel负责高端视频广告的投放。在Viewership Prediction项目中我们的任务是：预测全美各个地区（康卡斯特内部分区）各个电视频道在未来某一小时内可能给出的广告曝光（impression）。这一预测数据将会根据需求在各个维度（时间，地区，频道，用户分类）上进行聚合，用以给广告主提供参考，为广告投递提供决策支持。我们在模型设计与实现上采取了比较不同以往的做法，同时在业务上也发现了有违常识的数据特点。在此对全美电视广告流量预测的算法与业务经验进行总结。

03

抖音日活用户破 6 亿，推荐系统到底有何魔力？｜极客时间

如果说互联网的目标，是连接一切，那么推荐系统的作用，就是建立更加高效的连接了。推荐系统从没像现在这样，影响着我们的生活。当你上网购物时，天猫、京东会为你推荐商品；想了解资讯，头条、知乎会为你准备感兴趣的新闻；想消遣放松，抖音、快手会为你奉上让你欲罢不能的短视频。而驱动这些巨头进行推荐服务的，都是基于深度学习的推荐模型。 2019 年阿里的千人千面系统，促成了天猫“双 11” 2684 亿成交额。假设通过改进商品推荐功能，使平台整体的转化率提升 1%，就能在 2684 亿成交额的基础上，再增加 26.84

03

宽度 & 深度学习特点对比

为了提高神经网络的性能，是应该增加宽度呢？还是应该增加深度呢？增加宽度和增加深度各有什么样的效果呢？本文对论文《Wide & Deep Learning for Recommender Systems Heng-Tze》中关于宽度模型和深度模型的对比实验进行介绍。

02

干货 | 机器学习模型在携程海外酒店推荐场景中的应用

Louisa，携程算法工程师，热爱前沿算法和技术在个性化推荐和广告建模等业务的性能优化和落地。

02

谷歌、阿里们的杀手锏：三大领域，十大深度学习CTR模型演化图谱

今天我们一起回顾一下近3年来的所有主流深度学习CTR模型，也是我工作之余的知识总结，希望能帮大家梳理推荐系统、计算广告领域在深度学习方面的前沿进展。

03

互联网广告CTR预估新算法：基于神经网络的DeepFM原理解读

CTR（Click-Through-Rate）即点击通过率，是互联网广告常用的术语，指网络广告（图片广告/文字广告/关键词广告/排名广告/视频广告等）的点击到达率，即该广告的实际点击次数除以广告的展现量。

02

谷歌、阿里们的杀手锏：3大领域，10大深度学习CTR模型演化图谱（附论文）

今天我们一起回顾一下近3年来的所有主流深度学习CTR模型，也是我工作之余的知识总结，希望能帮大家梳理推荐系统、计算广告领域在深度学习方面的前沿进展。

03

Wide&Deep： Wide & Deep Learning for Recommender System》

本文介绍 Google 发表在 DLRS 2016 上的文章《Wide & Deep Learning for Recommender System》。Wide & Deep 模型的核心思想是结合线性模型的记忆能力和 DNN 模型的泛化能力，从而提升整体模型性能。Wide & Deep 已成功应用到了 Google Play 的app推荐业务，并于TensorFlow中封装。该结构被提出后即引起热捧，在业界影响力非常大，很多公司纷纷仿照该结构并成功应用于自身的推荐等相关业务。

03

一文了解深度推荐算法的演进

近些年，随着深度学习理论，GPU 和 CPU 等计算机硬件，TensorFlow、Caffe、PyTorch 等算法平台的发展，深度学习算法在个性化推荐、计算机视觉、自然语言处理、语音识别等领域大放光彩。本文从神经网络结构的角度梳理深度推荐算法的发展，把近几年业界主流的算法归纳为四个阶段的网络结构：Embedding+MLP 的网络结构，基于特征组合的网络结构，基于用户行为序列的网络结构和融入知识图谱的网络结构。

02

见微知著，你真的搞懂Google的Wide&Deep模型了吗？

为什么在Google的Wide&Deep模型中，要使用带L1正则化项的FTRL作为wide部分的优化方法，而使用AdaGrad作为deep部分的优化方法？

02

深度学习在CTR预估中的应用

深度学习凭借其强大的表达能力和灵活的网络结构在NLP、图像、语音等众多领域取得了重大突破。在广告领域，预测用户点击率（Click Through Rate，简称CTR）领域近年也有大量关于深度学习方面的研究，仅这两年就出现了不少于二十多种方法。本文就近几年CTR预估领域中学术界的经典方法进行探究，并比较各自之间模型设计的初衷和各自优缺点。通过十种不同CTR深度模型的比较，不同的模型本质上都可以由基础的底层组件组成。

Wide&Deep、DCN、xDeepFM、DIN、GateNet、IPRec…你都掌握了吗？一文总结推荐系统必备经典模型（三）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 18 个在推荐系统任务上曾取得 SOTA 的经典模型。第 1 期：DSSM、Youtube_DNN、SASRec、PinSAGE、TDM

01

深度学习在搜索业务中的探索与实践

本文根据美团高级技术专家翟艺涛在2018 QCon全球软件开发大会上的演讲内容整理修改而成。文章分享了深度学习在酒店搜索NLP中的应用，并重点介绍了深度学习排序模型在美团酒店搜索的演进路线。

02

DNN可以进行高阶特征交互，为什么Wide&Deep和DeepFM等模型仍然需要显式构造Wide部分？

链接：https://www.zhihu.com/question/364517083

01

Deep&Cross Network（DCN）

Deep&Cross Network（DCN）[1]是由Google于2017年提出的用于计算CTR问题的方法，是对Wide&Deep[2]模型的进一步改进。线性模型无法学习到特征的交叉属性，需要大量的人工特征工程的介入，深度网络对于交叉特征的学习有着天然的优势，在Wide&Deep模型中，Deep侧已经是一个DNN模型，而Wide侧是一个线性模型LR，无法有效的学习到交叉特征。在DCN中针对Wide&Deep模型的Wide侧提出了Cross网络，通过Cross网络学习到更多的交叉特征，提升整个模型的特征表达能力。

02

【点击率预估】Wide&deep 点击率预估模型

导语 PaddlePaddle提供了丰富的运算单元，帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里，我们针对常见的机器学习任务，提供了不同的神经网络模型供大家学习和使用。本周推文目录如下：周一：【点击率预估】 Wide&deep 点击率预估模型周二：【文本分类】基于DNN/CNN的情感分类周三：【文本分类】基于双层序列的文本分类模型周四：【排序学习】基于Pairwise和Listwise的排序学习周五：【结构化语义模型】深度结构化语义模型点击率预估模型预判

04

CTR预估模型有怎样的发展规律

在深度学习还没有引入到点击率（Click-Through Rate，CTR）预估之前，CTR预估的模型大概经历了三个阶段：逻辑回归（Logistic Regression，LR），因子分解机（Factorization Machine，FM）、梯度提升树（Gradient Boosting Decision Tree，GBDT）。

00

CTR预估之深度学习模型DeepFM

趁今天618剁手节，老shi决定带大家去剁手，哦不，是认识广告CTR预估中非常有名的深度学习模型DeepFM。话不多说，马上进入正题~

02

NFM:Neural Factorization Machines for Sparse Predictive Analytic

FM能够有效的发现二阶组合特征，但存在的问题在于，FM捕获的二阶组合特征是线性组合的（其表达式就是线性组合），无法捕获非线性组合特征。现在深度神经网络可以发现非线性的组合特征，例如谷歌的Wide&Deep，微软的DeepCross，但对于这些深度网络，存在的缺点是很难训练。本文提出NFM模型，其能将FM模型捕获的二阶线性组合特征以及神经网络捕获的高阶非线性组合特征组合起来。NFM比FM更具表现力，因为FM可以被看作是NFM不含隐藏层的特例。

04

深入理解推荐系统：微软xDeepFM原理与实践

上面的所有模型都使用DNN来学习高阶特征交叉。然而，DNN可以以一个隐式的方式建模高阶特征交叉。由DNN学到的最终函数可以是任意形式，关于特征交叉的最大阶数（maximum degree）没有理论上的结论。另外，DNNs在bit-wise级别建模征交叉，这与FM框架不同（它会在vector-wise级别建模）。这样，在推荐系统的领域，其中DNN是否是用于表示高阶特征交叉的最有效模型，仍然是一个开放问题。在本paper中，我们提供了一个基于NN的模型，以显式、vector-wise的方式来学习特征交叉。我们的方法基于DCN（Deep&Cross Network）之上，该方法能有效捕获有限阶数（bounded degree）的特征交叉。然而，我们会在第2.3节讨论，DCN将带来一种特殊形式的交叉。我们设计了一种新的压缩交叉网络CIN(compressed interaction network)来替换在DCN中的cross network。CIN可以显式地学到特征交叉，交叉的阶数会随着网络depth增长。根据Wide&Deep模型和DeepFM模型的精神，我们会结合显式高阶交叉模块和隐式交叉模型，以及传统的FM模块，并将该联合模型命名为“eXtreme Deep Factorization Machine (xDeepFM)”。这种新模型无需人工特征工程，可以让数据科学家们从无聊的特征搜索中解放出来。总结一下，主要有三个贡献：

02

一窥推荐系统的原理

推荐系统是建立在海量数据挖掘基础上，高效地为用户提供个性化的决策支持和信息服务，以提高用户体验及商业效益。常见的推荐应用场景如：

03

从模型到部署，FPGA该怎样加速广告推荐算法

早上起床打开音乐 APP，会有今日歌单为你推荐一些歌曲。地铁上闲来无事，刷一刷抖音等短视频，让枯燥的时光变得有趣。睡前打开购物 APP，看一看今天是不是有新品上架。不知不觉大家已经习惯了这些 APP，不知道大家有没有留意到为什么这些 APP 这么懂你，知道你喜欢听什么音乐，喜欢看什么类型的短视频，喜欢什么样的商品？

02

TensorFlow实现流行机器学习算法的教程汇总（3/3）

第三步：为TF新手准备的其他方面内容 Recommender-Wide&Deep Network，推荐系统中 wide & deep 网络的教学示例： https://github.com/tflearn/tflearn/blob/master/examples/others/recommender_wide_and_deep.py Spiral Classification Problem，对斯坦福 CS231n spiral 分类难题的 TFLearn 实现： https://github.com/tf

00

推荐领域又一经典paper，分分钟搞清楚Attention机制

大家好，今天选择的论文是一篇FM的升级论文，叫做Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks。翻译过来叫做注意力FM：通过Attention网络学习特征交互的权重。

02

CTR学习笔记&代码实现2-深度ctr模型 MLP->Wide&Deep

这一篇我们从基础的深度ctr模型谈起。我很喜欢Wide&Deep的框架感觉之后很多改进都可以纳入这个框架中。Wide负责样本中出现的频繁项挖掘，Deep负责样本中未出现的特征泛化。而后续的改进要么用不同的IFC让Deep更有效的提取特征交互信息，要么是让Wide更好的记忆样本信息

02

算法大佬看了流泪，为什么这么好的CTR预估总结之前没分享(上篇)

在广告、推荐系统CTR预估问题上，早期的完全规则方法被过渡到以LR为代表的机器学习方法，为了充分发挥组合特征的价值，在相当长一段时间里，业界热衷于使用LR+人工特征工程。但人工组合特征成本高昂，在不同任务上也难以复用。2010年FM因子分解方法的出现解决了人工组合特征的困境，2014年Facebook提出的GBDT+LR也给出了一种利用树模型特点构建组合特征的思路。不过随着深度学习的崛起，2015年以后，借助非线性自动组合特征能力的深度模型，开始成为业内的主流。从经典DNN到结合浅层的Wide&Deep，用于CTR预估的深度模型在近些年间百花盛开，各种交叉特征建模方法层出不穷，Attention机制也从其他研究领域引入，帮助更好的适应业务，提升模型的解释性。在这进化路线之下，核心问题离不开解决数据高维稀疏难题，自动化组合特征，模型可解释。我们梳理了近些年CTR预估问题中有代表性的模型研究/应用成果，并对部分经典模型的实现原理进行详细剖析，落成文字作为学习过程的记录。

05

汽车之家推荐系统排序算法迭代之路

导读：汽车之家的推荐系统紧随前沿技术，在支持内部多个推荐场景的同时，对外也有了一定的输出。未来我们期望汽车之家的推荐系统不只是前沿技术的应用者，更是推动者和创新者。本次分享的主题为汽车之家推荐系统排序算法迭代之路，主要包括：

01

深度学习在搜索业务中的探索与实践

2018年12月31日，美团酒店单日入住间夜突破200万，再次创下行业的新纪录，而酒店搜索在其中起到了非常重要的作用。本文会首先介绍一下酒店搜索的业务特点，作为O2O搜索的一种，酒店搜索和传统的搜索排序相比存在很大的不同。第二部分介绍深度学习在酒店搜索NLP中的应用。第三部分会介绍深度排序模型在酒店搜索的演进路线，因为酒店业务的特点和历史原因，美团酒店搜索的模型演进路线可能跟大部分公司都不太一样。最后一部分是总结。

03

有赞推荐系统关键技术

个性化推荐是随着移动互联网发展不断发展起来的，它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。有赞微商城使用个性化推荐系统，尤其是在关键节点增加推荐入口，进行场景化推荐，帮助商家进一步提高用户的付款转化率，最大化流量变现。

01

推荐系统遇上深度学习(二十一)--阶段性回顾

本系列已经写了二十篇了，但推荐系统的东西还有很多值得探索和学习的地方。不过在这之前，我们先静下心来，一起回顾下之前学习到的东西！

03

【推荐系统】深入理解推荐系统：无需人工特征工程的xDeepFM

作为【推荐系统】系列文章的第十五篇，将以“xDeepFM”作为今天的主角，中科大、北大与微软合作发表在 KDD’18 的文章:《xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems》。本文主要对xDeepFM进行详细描述，并进行代码实现。

02

构建并用 TensorFlow Serving 部署 Wide & Deep 模型

> 正文共6912个字，4张图，预计阅读时间18分钟。 Wide & Deep 模型是谷歌在 2016 年发表的论文中所提到的模型。在论文中，谷歌将 LR 模型与深度神经网络结合在一起作为 Google Play 的推荐获得了一定的效果。在这篇论文后，Youtube，美团等公司也进行了相应的尝试并公开了他们的工作（相关链接请看本文底部）官方提供的 Wide & Deep 模型的（简称，WD 模型）教程都是使用 TensorFlow （简称，TF ）自带的函数来做的特征工程，并且模型也进行了封装，

06

从Wide and Deep、DeepFM到DLRM，现代的推荐系统算法研究

2019年5月，Facebook开放了他们的一些推荐方法，并引入了DLRM(深度学习推荐模型)。这篇文章旨在解释DLRM和其他现代推荐方法是如何以及为什么能够如此出色地工作的，通过研究它们是如何从该领域以前的结果中衍生出来的，详细解释它们的内部工作原理和思路。

01

TensorFlow实现深度学习算法的教程汇集：代码＋笔记

本文主要介绍了如何通过 TensorFlow 和 Keras 在 Python 中实现一个简单的多层感知器（MLP）模型，并使用数据集对模型进行训练和评估。同时，还介绍了如何使用 TFLearn 的 built-in 操作和自定义操作来优化模型的训练过程。

07

深度学习TensorFlow的55个经典案例

本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码第一步：给TF新手的教程指南 1：tf初学者需要明白的入门准备机器学习入门笔记： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/ml_int

07

干货 | TensorFlow的55个经典案例

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第二【Python】：排名第三【算法】：排名第四转自1024深度学习导语：本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码。第一步：给TF新手的教程指南 1：tf初学者需要明白的入门准备机器学习入门笔记： https://github.com/ay

09

业界 | 从FM推演各深度CTR预估模型(附代码)

多年以后，当资深算法专家们看着无缝对接用户需求的广告收入节节攀升时，他们可能会想起自己之前痛苦推导FM与深度学习公式的某个夜晚……

00

TensorFlow实现深度学习算法的教程汇集：代码+笔记

这是使用 TensorFlow 实现流行的机器学习算法的教程汇集。本汇集的目标是让读者可以轻松通过案例深入 TensorFlow。这些案例适合那些想要清晰简明的 TensorFlow 实现案例的初学者。本教程还包含了笔记和带有注解的代码。项目地址：https://github.com/aymericdamien/TensorFlow-Examples 教程索引 0 - 先决条件机器学习入门：笔记：https://github.com/aymericdamien/TensorFlow-Examples

03

深度学习TensorFlow的55个经典案例

本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码。第一步：给TF新手的教程指南 1：tf初学者需要明白的入门准备机器学习入门笔记： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/ml_

02

网易如何做新闻推荐：深度学习排序系统及模型

深度学习的概念源于人工神经网络的研究。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的有效表示，而这种使用相对较短、稠密的向量表示叫做分布式特征表示（也可以称为嵌入式表示）。本部分主要对于目前使用较广的一些学习算法进行一个简单的回顾。

03

Wide&Deep 算法在老虎证券内容推荐领域应用实践

作者｜关舒元、胡夕、刘琛新冠疫情全球肆虐，预期的通货膨胀，使得投资理财变得愈发重要。截止 2020 年 11 月份，客户在老虎证券的累计开户数已突破百万，对于券商而言，这既是机遇也是挑战。老虎证券内容团队秉持“用户至上、创造增量价值”的理念，为解决投资者面对信息过载的问题，期望为用户提供更好的交易体验。利用大数据和人工智能技术构建数据资产，旨在实现数据驱动业务与运营。传统机器学习技术和深度学习技术在计算广告、推荐排序、图像识别、机器翻译等领域的成功应用，一方面提供了大量模型实践经验，另一方面印证了模

03

一文读懂CTR预估模型的发展历程

CTR预估是搜索、推荐、广告等领域基础且重要的任务，主要目标是预测用户在当前上下文环境下对某一个候选（视频、商品、广告等）发生点击的概率。CTR预估从最原始的逻辑回归模型，发展到FM、深度学习模型等，经历了一个不断创新的过程，其核心为如何设计、融合不同的特征交叉方式。本文从FM和DNN开始开始，带你梳理CTR预估模型的发展历程，包括FNN、PNN、Wide&Deep、DCN、DeepFM、xDeepFM等一系列CTR预估模型和它们之间发展演进的关系。

02

CTR学习笔记&代码实现3-深度ctr模型 FNN->PNN->DeepFM

这一节我们总结FM三兄弟FNN/PNN/DeepFM，由远及近，从最初把FM得到的隐向量和权重作为神经网络输入的FNN，到把向量内/外积从预训练直接迁移到神经网络中的PNN，再到参考wide&Deep框架把人工特征交互替换成FM的DeepFM，我们终于来到了2017年。。。

02

表格数据深度学习框架-DeepTables

MLP（也称为全连接神经网络）已被证明在学习分布表示方面效率低下。事实证明，感知器层的“Add”操作在探索乘法特征交互时性能较差。在大多数情况下，必须进行手动特征工程，并且这项工作需要广泛的领域知识并且非常繁琐。如何在神经网络中有效地学习功能交互成为最重要的问题。

02

使用Keras建立Wide & Deep神经网络，通过描述预测葡萄酒价格

你能通过“优雅的单宁香”、“成熟的黑醋栗香气”或“浓郁的酒香”这样的描述，预测葡萄酒的价格吗？事实证明，机器学习模型可以。

04

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭