saved_model_cli run --dir wide_deep_saved_model/${模型checkpoint号码}/ --tag_set serve --signature_def="predict" --input_examples='${预测数据}' 根据本文的案例可以执行以下脚本拿到预测结果: saved_model_cli run --dir wide_deep_saved_model/1542168326/ --tag_set serve --signature_def="pre...
在这篇paper当中,我们将会介绍Wide & Deep模型,它在一个模型当中兼容了记忆性以及泛化性。它可以同时训练线性模型以及神经网络两个部分,从而达到更好的效果。论文的主要内容有以下几点:Wide & Deep模型,包含前馈神经网络embedding部分以及以及线性模型特征转换,在广义推荐系统当中的应用Wide & Deep模型在Google Play...
Wide & Deep的核心思想是:Wide模型用来从训练数据中学得出现频率高的特征或者特征组合,即模型的 memorization能力;Deep模型则用来从训练数据中学得出现频率低或者没出现过的特征组合,即generalization能力。通过将Wide模型和Deep模型进行联合训练,能够实现高效的推荐,特别是对于输入数据稀疏的场景。 图1. Wide & Deep模型...
所以,你设计了几个相关的特征,用一个简单的线性模型学习这些特征的权重组合,模型会预测对特定产品的点击概率, gugu2.0上线了。一段时间后,用户吃腻了,需要换个口味,但是模型只记住了特定的模式。对一些训练集中未出现的组合特征,由于模型没有见过,记忆中没有关于这个特征的信息,导致模型单一,用户就会不满意。 deep(...
TensorFlow Wide And Deep 模型详解与应用(一) 前面讲了模型输入的特征,下面谈谈模型本身。关于 wide and deep 模型官方教程中有一段描述:The wide models and deep models are combined by summing up their final output log odds as the prediction, then feeding the prediction to a logistic loss function。
图1. Wide & Deep模型结构 如图1的模型结构图,左侧是wide模型(memorization),使用基础的线形模型,包括基础特征 x 和交叉特征 ϕ(x) ,其中, 上式含义为将feature共同出现作为一个新的特征,c_ki 表征x_i 是否目标feature的组合集合中,如 "AND(gender=female,language=en)",那么c_ki 包括gender=female、lang...
著名的推荐模型Wide & deep就是出自这篇论文,这个模型因为实现简单,效果不俗而在各大公司广泛应用。因此它同样也可以认为是推荐领域的必读文章之一。 长文预警,建议先马后看。 摘要 在大规模特征的场景当中,我们通常(2016年之前)是使用将非线性特征应用在线性模型上的做法来实现的,使用这种方式,我们的输入会是一个...
(3)模型预测 现在已经生成了模型的checkpoint输出,接下来进入terminal,运行以下脚本: saved_model_cli run --dir wide_deep_saved_model/${模型checkpoint号码}/ --tag_set serve --signature_def="predict" --input_examples='${预测数据}' 根据本文的案例可以执行以下脚本拿到预测结果: saved_model_cli run...
Wide&Deep具体应用模型 这是google paly 商店的推荐应用,wide模型和deep模型接受了不同的特征。 deep模型直接接收连续特征和embedding后的离散特征。其输出的即 wide模型只接受了部分离散特征:user installed app即用户安装的app,impression app即用户看到的被展示的app(看到了但没下载),以及这两部分特征的交叉。其输出...
模型结果 为了验证Wide & Deep模型的效果,paper在真实的场景当中从两个角度进行了大量的测试。包括app的获取量以及服务的表现。 App 获取量 在线上环境进行了为期3周的A/B测试,1个桶作为对照桶,使用之前版本的线性模型。1个桶使用Wide & Deep模型,另外一个桶只使用Deep模型,去除了linear的部分。这三个桶各自占据...