同时宽与深的结合已经逐渐成为一个研究热点，Google 在 16 年 4 月份发表的一篇论文，介绍他们的最新工作「Deep & Wide Model」。模型分为 Deep 与 Wide 两部分，好处是它既能对比较细的特征有记忆，同时也有推理的能力。我们认为将来的方向都应该朝这路走。

除此之外，近期还有不少工作在探索这个方向，总的来说这方面还是非常前沿的、非常热门的研究领域。

如何上线：从监督学习到强化学习

不管是宽模型、深模型还是兼顾宽与深的模型，其实线下做好的模型实际上是一个监督学习模型，并不能保证它线上效果好。

再跟大家分享一点，宽度和深度其实是两条路数、两个派系。在我们想替换的时候，就会发现深度模型很难把它替换成宽度模型，或者宽度模型很难把它替换成深度模型。因为如果我们真正把它应用于线上系统时，其实是一个强化学习问题，而不只是简单的机器学习问题。你在线上使用的时候会发现，你碰到的数据和你线下训练的数据是不一样的，你的基线模型效果越好，你的数据是越有偏差，训练出来的模型越难真正在线上产生好的效果。所以说，我们需要有很多机制让这个事情做得更好，包括更多的强化学习等方式。

最后总结一下，深度学习和宽度学习，其实并没有谁比谁一定更好，我们要针对具体的业务，选择最合适你的机器学习框架、机器学习模型来解决我们的问题。

　　更多有关GMIS 2017大会的内容，请点击「阅读原文」查看机器之心官网 GMIS 专题↓↓↓