在tensorflow中使用wide&deep模型（1）-模型及其应用场景

1、概述

改写说明

• 记忆
• 推理

认知是对先前接触过的物体进行归纳的能力。
推断是基于这些认知数据进行抽象，并将其延伸至未知对象的能力。
能否用机器学习模型来模仿这两种能力？
采用wide&deep模型来进行实现。
如图所示：

在该模型中我们采用wide模型通过特征提取来达成记忆功能。利用该功能对特征筛选以及异常检测都表现得非常出色但无法对新的数据进行推理分析。相比之下deep模型则能够有效地解决这一问题。

2、wide&deep模型的应用场景

wide&deep模型在处理稀疏输入时能同时有效解决大规模回归与分类问题，在如推荐系统等场景中表现出显著优势；特别是在搜索引擎及排序相关的问题上具有广泛的应用价值。为了探索适用于快餐店推荐系统的具体方案，则需要结合实际需求进行深入分析；其中不同方案的效果表现可能存在差异。

2.1 第一版：使用传统的程序开发来实现推荐系统

在产品开发过程中,我们运用用户的消费数据来进行产品推荐,这与用户对一道菜品给予其相应评分的效果相当相似.当系统处于冷启动状态时,