線性模型無法學習到訓練集中未出現的組合特徵；
fm或dnn通過學習embedding vector雖然可以學習到訓練集中未出現的組合特徵，但是會過度泛化。
wide part其實是乙個廣義的線性模型
長處在於學習樣本中的高頻部分，優點是模型的記憶性好，對於樣本**現過的高頻低階特徵能夠用少量引數學習；缺點是模型的泛化能力差，例如對於沒有見過的id類特徵，模型學習能力較差。
使用特徵包括：
raw input 原始特徵
cross-product transformation 組合特徵
例子：你給model乙個query（你想吃的美食），model返回給你乙個美食，然後你購買/消費了這個推薦。 也就是說，推薦系統其實要學習的是這樣乙個條件概率： p(consumption | query, item)
wide part可以對一些特例進行memorization。
比如and(query=」fried chicken」, item=」chicken fried rice」)雖然從字元角度來看很接近，但是實際上完全不同的東西，那麼wide就可以記住這個組合是不好的，是乙個特例，下次當你再點炸雞的時候，就不會推薦給你雞肉炒公尺飯了。
**部分
# 如果是用於線性部分的embedding層，其維度為1，否則維度就是自己定義的embedding維度 (不是特別理解為什麼一定要是1維的)
非零元素對應的權重相加就等同於進行了全連線操作(非零元素部分乘的是1) 這裡提到的權重是否就是1維的embedding？
長處在於學習樣本中的長尾部分，優點是泛化能力強，對於少量出現過的樣本甚至沒有出現過的樣本都能做出**（非零的embedding向量）;缺點是模型對於低階特徵的學習需要用較多參才能等同wide部分效果，而且泛化能力強某種程度上也可能導致過擬合出現bad case.
deep part通過學習乙個低緯度的dense representation（也叫做embedding vector）對於每乙個query和item，來泛化給你推薦一些字元上看起來不那麼相關，但是你可能也是需要的。比如說：你想要炸雞，embedding space中，炸雞和漢堡很接近，所以也會給你推薦漢堡。
待續：[wide&deep模型中如何確定哪些特徵適用於wide側哪些特徵適用於deep側]？(部分特徵如何衍生 具體實列待研究
參考
學習筆記 深度模型Wide Deep
來自16年的一篇google的 wide deep learning for recommender systems 文章將傳統的lr和dnn組合構成乙個wide deep模型 並行結構 既保留了lr的擬合能力，又具有dnn的泛化能力，並且不需要單獨訓練模型 join 可以方便模型的迭代。問題的提出...
wide deep模型的認知 未完結
wide deep模型 深度加寬度的模型正規化，本身並不是乙個具體的模型，wide和deep部分可以用任意結構框架，wide的baseline是lr模型，deep的baseline是mlp模型 mlp指多層感知器，是一種籤祥結構的人工沉靜網路，對映一組輸入向量到一組輸出向量 面試時會問這種不起眼的問...
css盒模型筆記
一 總述 網頁是由乙個多個矩形框組成的，每乙個框都可以看成是乙個盒子，而乙個盒子 乙個元素 又是由4個矩形巢狀而成。分別是content box 內容 padding box 填充或內邊距 border box 邊框 margin box 外邊距 和布局的區別 布局是指多個盒子 元素 在頁面上的定位...