某零售企業在建置機器學習模型預測顧客購買機率時，資料同時包含大量稀疏類別特徵與數值型特徵。團隊希望模型既能學習過去已出現的特徵組合規律，也能對未出現的特徵組合做出合理預測。下列哪一種模型架構最適合此類需求？
答案 （D）
核心概念
寬深模型（Wide and Deep）由 Google 提出，專門解決推薦與點擊率預測的兩難。Wide 部分是線性模型加上大量特徵交叉，負責「記憶（Memorization）」——把訓練資料中確實出現過的特徵組合記牢；Deep 部分是深度神經網路搭配嵌入向量，負責「泛化（Generalization）」——把稀疏類別壓成稠密向量，對沒見過的組合也能推論出合理結果。兩者一起訓練，正好對應題目的兩個需求。
本題詳解提到同卷第 7 題。
答題技巧
快速判斷技巧：抓題幹的雙重需求——「記住已出現的」＋「推測沒出現的」，這組關鍵字是寬深模型的專屬描述（Wide 記憶、Deep 泛化）。看到就直接選。
易錯陷阱：本卷第 7 題把寬深模型當成誘答、第 8 題它才是正解，出題者刻意在相鄰題目重複使用同一個選項。作答時務必看清楚題目要的是「特徵轉換方法」還是「模型架構」。