（一）CTR预估基本模式
对于用于的一次访问请求，比如打开App Store，这即是一次请求，系统会通过召回和排序给你推荐一些可能感兴趣的App。召回和排序也称为粗排和精排。
Retrieval
召回部分主要是从App集合中粗粒度的选出一些可能会被下载的软件，应为App集合数量过于庞大，直接精排会差生效率上的问题。首先根据一些自定义的rule做预处筛选。
Ranking
排序即对于召回模块提供的App候选集按照可能被下载/点击的概率进行排序。
如图所示为推荐系统的流程示意图，其中query可以理解为打开App Store事件，UserAction是用于历史上的一些点击数据，可以作为训练集或者label,经过Retrieval选出一定量的item送给Ranking，最终按照一定的顺序将这些item展现出来。
（二）提出动机
在deep & wide之前，已经有例如LR、FM、DNN等模型用于推荐系统。缺点如下：
- LR模型：虽然操作简单，但是想要学些到组合特征时，需要手动进行交叉，并且对于数据中不存在的交叉特征，模型无法学习到其参数。
- FM、DNN虽然可以解决LR模型的一些缺点，但是对于稀疏矩阵（query-item,用户点击了xx），总是可以学习到一些embedding的向量，使得对于某物品的推荐始终不为0，这就存在着过度泛化的现象。
deep & wide模型是一种兼顾了上述两种模型特点，即记忆性和泛化性的模型
（三）Memorization 和 Generalization
Memorization
记忆性，即LR模型所具有的优点，比如对于交叉特征，对于某两种特征组合下label为1，那么该交叉特征系数就不会为0，如果新数据中出现了相同的特征组合，那么模型根据以往的学习经验，很可能会将label打为1
Generalization
泛化性，FM模型中通过将embedding方法学习到不同特征对应的隐向量，即使交叉特征没有出现时，照样可以求出该交叉特征点系数，使模型具有一定的泛化能力。
（四）Deep & Wide
如图所示，模型分为两个部分wide部分和deep部分
Wide Component
该部分是个广义线性模型：
将结果过**函数，，是个d维向量，w是d维权重。
该部分特征既可以是原始特征，也可以是由原始特征构成的交叉特征。
Deep Component
deep输入的是稀疏特征，首先将其转化为低纬稠密特征（训练得到），再输入接下来的若干层的deep网络中：
（五）训练
deep & wide通过联合训练得到结果，即deep部分和wide部分同时训练，loss同时传回这两个部分