# Wide&Deep

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第3章 深度学习在推荐系统中的应用
- 页码线索：70-76
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：wide-and-deep, memorization, generalization

## 面试问题

Wide&Deep 中的记忆能力和泛化能力分别指什么？

## 30 秒回答

Wide 部分记忆历史中出现过的强规则和特征组合，Deep 部分通过 embedding 和深层网络泛化到未见过的组合。二者结合兼顾准确记忆和泛化推荐。

## 展开要点

- Wide 适合记住高频、强相关、可解释的交叉特征。
- Deep 适合从稀疏特征中学习低维表示和非线性模式。
- 适用于既要利用历史规则，又要发现新组合的场景。
- 工程上需要管理 wide 特征、deep 特征和联合训练。

## 高频追问

- 为什么只用 Deep 可能不够？
- Wide&Deep 和 GBDT+LR 的思想联系是什么？
- 什么场景需要记忆能力？

## 项目映射

- 电商推荐：记住用户买过品牌，同时泛化到相似品类。
- AI 学习推荐：记住已掌握主题，同时泛化到相邻能力卡。

## AI PM 迁移

LLM 个性化也要兼顾记忆和泛化：既利用明确偏好，又推荐新但相关的内容。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。