---
title: "寬深學習（Wide and Deep Learning）"
slug: wide-and-deep-learning
language: zh-TW
source: https://aiterms.tw/terms/wide-and-deep-learning
updated_at: 2026-06-22
tags: [深度學習, 推薦系統, 機器學習, 模型評估]
ipas_term: false
---

# 寬深學習（Wide and Deep Learning）

結合寬線性模型和深度神經網絡的混合機器學習架構，寬部分用於學習特徵組合，深部分用於學習高階特徵交互，常用於推薦系統和分類任務

## 完整說明

寬深學習是 Google 提出的混合架構，同時訓練寬（線性）和深（神經網絡）兩個模型，然後結合其輸出進行預測。寬部分善於記憶特定的特徵組合，深部分善於發現特徵之間的隱藏規律。這個架構在 Google Play 推薦、廣告點擊率預測等大規模應用中表現出色，能同時具備模型的可解釋性和表達能力。

## 常見問題

### 寬部分的特徵交叉應該如何設計？

特徵交叉設計結合業務知識和資料探索。首先，從推薦任務的業務邏輯出發：在推薦系統中，「用戶類型 AND 商品類別」通常是重要的交叉，因為不同用戶群體對不同類別商品的偏好差異大。其次，用統計方法分析資料：計算各特徵組合的出現頻率和轉化率，選擇高頻且高轉化的組合。第三，用特徵重要性分析（如 SHAP）識別貢獻大的交叉。在實務中，通常從 2 路交叉開始（兩個特徵的組合），逐步嘗試高階交叉。過多交叉會增加模型複雜度和過擬合風險。

### 寬深學習的訓練時間會比單個模型長多少？

寬深學習的訓練時間通常比單個模型長 20-50%。寬部分的訓練非常快（線性模型只需數秒到數分鐘），瓶頸在深部分的神經網絡訓練。由於寬和深同時訓練，梯度計算涉及兩個部分，每個反向傳播步驟會多消耗資源。但與訓練一個等規模的深度網絡相比，寬深學習由於寬部分的正則化作用，實際上可能更快收斂，所需 epoch 更少。在分散訓練環境中，寬部分可以在 CPU 上訓練，深部分在 GPU 上訓練，實現並行化加速。

### 寬深學習在線上推理服務中如何部署？

部署寬深學習需要同時維護兩個模型和融合邏輯。一般做法是：（1）寬部分導出為查詢表或簡化的線性計算（執行非常快，毫秒級）；（2）深部分導出為優化的推理框架（如 TensorFlow Lite、ONNX、TensorRT），在 GPU 或 TPU 上運行；（3）應用層同時調用兩部分，獲得各自的預測概率，相加後得到最終結果。在 Google Play 和廣告系統中，這個流程通常在毫秒內完成。為了進一步加速，可以用蒸餾技術將寬深模型知識遷移到單個輕量模型。

---

來源：https://aiterms.tw/terms/wide-and-deep-learning
快查頁：https://aiterms.tw/terms/wide-and-deep-learning
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-wide-and-deep-learning