跳转至

Wide & Deep

Fidelity: 核心机制复现。本地实现联合记忆型 wide 交叉与泛化型 deep tower。

论文信息

项目 内容
论文链接 arXiv 1606.07792
公司/机构 Google
首次公开日期 2016-06-24（arXiv v1）
原文开源代码 是：官方/作者代码
Adapter wide-deep
本地复现代码 src/auto_research/reproductions/wide_deep/

原始论文总结

背景与主要改动

纯线性模型善于记忆稀疏共现但泛化弱，纯 DNN 能泛化却可能推荐不相关组合。论文联合训练两路并共享最终 logit。

flowchart LR
  A["稀疏特征"] --> W["Wide 交叉"]
  A --> E["Embedding"] --> D["Deep MLP"]
  W --> S["联合 logit"]
  D --> S

原论文关键图

Wide & Deep 原论文 Figure 4

原论文 Figure 4（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ p(y=1\mid x)=\sigma(w_{\rm wide}^{\top}[x,\phi(x)]+w_{\rm deep}^{\top}h_L+b). \]

论文离线与线上效果

Google Play 三周线上实验中，Wide & Deep 相对 wide control 的应用获取量提升 3.9%，并相对 deep model 再提升约 1%。

本地复现

本地对照口径：基线是参数匹配的 deep-only 模型；实验组加入 candidate 与 genre 交叉的 wide 路径；MovieLens-100K 三 seed 全库 NDCG@10 相对 +5.45%。

auto-research reproduce --paper wide-deep

结构化结果见 metrics/movielens-100k-seeds42-44.json。

复现边界

公开 MovieLens 替代 Google Play 私有日志；未复刻生产特征工程、分布式训练与 serving。