本實驗選用數據為UCI開源數據集，僅用于學習，請勿商用）

Wide&Deep推薦算法出自一篇論文《Wide&Deep Learning for RecommenderSystems》，Wide&Deep由兩部分組成，分別是Wide和Deep。先來說wide，表示的是generalized的推薦系統，傳統的推薦系統都是通過線性算法基于離散特征來做推薦的。Wide推薦通常是這樣的：系統通過獲得用戶的購物日志數據，包括用戶點擊哪些商品，購買過哪些商品，然后通過one-hot編碼的方式構成離散特征或者通過對業務的理解衍生出一些特征，并進行計算，類似于本系列文章第二篇。這種wide推薦方式有非常多的好處，比如對于大規模的稀疏數據有很好的效果，而且模型的解釋性很強。什么叫模型的解釋性呢？以邏輯回歸為例，每個特征都對應模型中的一個權重值，每個特征的權重值的大小跟這個特征對結果的影響是有關的。那么wide方式同樣有很多缺點，比如我們一直強調的，特征衍生需要很多人為操作，需要專家經驗，另外這種推薦只對用戶操作過的商品有效。

接著講下deep，這里的deep表示的是通過深度學習學習出來的一些向量，這些向量是隱性特征，往往是沒有明確可解釋性的。這些向量也可以作為特征的一部分參與到訓練中。通過deep方式產生的特征會有以下好處，其一可以擬補人為提取特征造成的人力思考維度的限制，試想下一個人可以輕易的思考出二階乘法的結果，如果是五階呢？其二這部分特征是深度學習框架自動生成的，無需人力干預。

既然Wide和Deep算法各有千秋，那如果可以將兩種算法作為組合，那么一定可以生成更有效的推薦場景的模型，本文就介紹如何在PAI-DSW上實現基于Wide&Deep的預測。

一、業務場景描述

本節使用的是PAI-DSW云端深度學習訓練平臺和PAI-EAS模型服務平臺，使用的是一份開源的基于人的各種背景的統計數據，解決的問題是基于人的各種基礎數據預測每個人收入是否會超過50K。

本實驗的全部代碼和數據已經內置于PAI-DSW，只要打開DSW就可以安裝下方的教程運行實驗。

二、數據集介紹

數據源：引用UCI開源數據源，https://archive.ics.uci.edu/ml/datasets/Census+Income
具體特征字段如下：

字段名含義類型描述

age	對象年齡	double	對象的年齡大小
workclass	工作性質	string	自由職業者、私企、企業人員、政府工作者、無業游民等
fnlwgt	連續數據	double	-
education	學歷	string	學士、說是、博士、11th、10th、1s-4th等等
education-num	教育年限	double	教育年限
marital-status	婚姻狀況	string	單身、未婚、離異等等
occupation	職業	string	工程師、農民、銷售等等
relatonship	家庭角色	string	妻子、父親、沒家庭等等
race	人種	string	亞裔、白人、黑人等等
sex	性別	string	女性、男性
capital-gain	連續數據	double	-
capital-loss	連續數據	double	-
hours-per-week	連續數據	double	-
native-country	祖籍國家	string	美國、哥倫比亞、英格蘭、加拿大等等

目標字段：income是否超過50k

三、數據探索流程

首先進入PAI-DSW，找到左側的Demo文件夾，下載Wide&Deep數據集及代碼包。

（1）工程描述

首先看下整個工程，

• 包含一個census_data文件夾，里面包含一個訓練數據和一個測試數據
• official文件夾是一個工具包
• census_main.py為訓練腳本

（2）訓練模型

打開一個terminal環境，執行

python census_main.py --export_dir wide_deep_saved_model

wide_deep_saved_model為輸出模型所在的文件夾，訓練完在文件目錄下會找到相應文件，打開后可以看到checkpoint：

把這個checkpoint的號記住。

（3）模型預測

現在已經生成了模型的checkpoint輸出，接下來進入terminal，運行以下腳本：

saved_model_cli run --dir wide_deep_saved_model/${模型checkpoint號碼}/ --tag_set serve --signature_def="predict" --input_examples='${預測數據}'

根據本文的案例可以執行以下腳本拿到預測結果：

saved_model_cli run --dir wide_deep_saved_model/1542168326/ --tag_set serve --signature_def="predict" --input_examples='examples=[{"age":[46.], "education_num":[10.], "capital_gain":[7688.], "capital_loss":[0.], "hours_per_week":[38.]}, {"age":[24.], "education_num":[13.], "capital_gain":[0.], "capital_loss":[0.], "hours_per_week":[50.]}]'

輸入了兩條預測數據，最終拿到預測結果：

輸入了兩條預測數據，可以得到預測輸出，第一條預測結果為1，第二條結果為0，可以通過output key probabilities判斷（注：矩陣第一行對應第一個預測結果，第二列0.9599956>第一列0.04000434，所以第一個預測結果是1。同理第二個預測結果是0）。

可以通過代碼official/wide_deep/census_dataset.py來看具體的特征工程的特征和目標值的構建，目標列>50k時目標值為1，目標列<50k時目標值為0。

于是預測結果第一條的人的預測收入為>50k，預測結果第二條的人的預測收入<50k。

（4）模型在線部署

生成的模型是Tensorflow的標準模型格式，可以通過PAI-EAS將模型部署成Http服務供調用。

后續流程可以參考在線預測文檔：https://help.aliyun.com/document_detail/92917.html

部署成在線服務之后，這樣就可以做到模型跟用戶自身的業務結合，完成PAI模型訓練和業務應用的打通。

原文鏈接
本文為云棲社區原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的基于深度学习模型WideDeep的推荐的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。