在线预测已经成为许多实际应用中最基本的任务之一。在线预测任务的两个典型且主要特点是在线数据呈表格空间形式和在线数据流形式。具体地,表格数据空间中存在着稀疏分类特征和密集数值特征,而在线数据流意味着具有潜在动态分布的连续任务生成的数据。因此,利用表格数据空间进行有效学习和快速适应在线数据流成为赢得在线预测的两个重要挑战。虽然梯度提升决策树(gbdt)和神经网络(nn)在实际中得到了广泛的应用,但它们都有各自的缺点。尤其是gbdt很难适应动态的在线数据流学习,而且在面对稀疏的分类特征时往往是无效的;而神经网络在面对稠密的数值特征时则很难获得令人满意的性能。本文提出了一种新的学习框架DEEPGBM