可以看到，因为没有了σ′这一项，如许一来在更新w和b就不会受到饱和性的影响。当误差大年夜的时刻，权重更新就快，当误差小的时刻，权重的更新就慢。

3.6 宽深度模型框架

在实验初期，我们只将零丁的5层DNN模型与线性模型进行了比对。经由过程线下/线上AUC比较，我们发明纯真的DNN模型对于CTR的晋升并不明显。并且零丁的DNN模型本身也有一些瓶颈，例如，当用户本身长短活泼用户时，因为其自身与Item之间的交互比较少，导致获得的特点向量会异常稀少，而深度进修模型在处理这种情况时有可能会过度的泛化，导致推荐与该用户本身相干较少的Item。是以，我们将广泛线性模型与深度进修模型相结合，同时又包含了一些组合特点，以便更好的抓住Item-Feature-Label三者之间的共性关系。我们欲望在宽深度模型中的宽线性部分可以应用交叉特点却竽暌剐效地记忆稀少特点之间的互相感化，而在深层神经收集部分经由过程发掘特点之间的互相感化，晋升模型之间的泛化才能。下图就是我们的宽深度进修模型框架：

排序层：每类召回策略都邑召回必定的结不雅，这些结不雅去重后须要同一做排序。点评推荐排序的框架大年夜致可以分为三块：

在离线阶段，我们采取基于Theano、Tensorflow的Keras作为模型引擎。在练习时，我们分别对样本数据进行清洗和提权。在特点方面，对于持续特点，我们用Min-Max办法做归一化。在交叉特点方面，我们结合营业需求，提炼出多个安营业场景意义比较重大年夜的交叉特点。在模型方面我们用Adam做为优化器，用Cross Entropy做为损掉函数。在练习时代，与Wide & Deep Learning论文中不合之处在于，我们将组合特点作为输入层分别输入到对应的Deep组件和Wide组件中。然后在Deep部分将全部输入数据送到3个ReLU层，在最后经由过程Sigmoid层进行打分。我们的Wide＆Deep模型在跨越7000万个练习数据中进行了练习，并用跨越3000万的测试数据进行线下模型预估。我们的Batch－Size设为50000，Epoch设为20。

4. 深度进修线下/线上效不雅

在实验阶段，分别精深度进修、宽深度进修以及逻辑回归做了一系列的比较，将表示比较好的宽深度模型放在线上与本来的Base模型进行AB实验。大年夜结不雅上来看，宽深度进修模型在线下/线上都有比较好的效不雅。具体结论如下：

　　推荐阅读

　　特斯拉Model 3驾驶初体验：它会改变一切

自成立之日起，特斯拉电动汽车公司就承诺要推出一款大年夜众型电动汽车。美国本地时光7月28日，这款汽车终于面世。在位于加州的工厂中，特斯拉向首批30位买家交付了Model 3。美国主流收集>>>详细阅读

本文标题：深度学习在美团点评推荐平台排序中的运用

地址：http://www.17bianji.com/lsqh/36483.html

 1/2    1