论文：DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
Github：https://github.com/ChenglongChen/tensorflow-DeepFM
https://github.com/shenweichen/DeepCTR
IJCAI2017
本文将深度神经网络dnn和因式分解机Factorization-Machine（FM）进行结合，同时融合了1阶、2阶这种低阶特征和深度学习的高阶特征，形成最终的DeepFM框架。DeepFM在速度和精度上都优于其他同类模型。对于点击率click-through rate (CTR)的预测在官方benchmark和其他商业数据上都优于其他模型。
主要贡献：
(1)论文融合了DNN和FM，提出新的推荐框架DeepFM。DeepFM融合了DNN的高阶特征和FM的低阶特征。相比于wide & deep推荐模型，DeepFM可以实现端到端的训练。
(2)DeepFM的DNN部分和FM部分共享同一个输入、同一个embedding。相比于其他包含大量人工经验特征的输入，DeepFM具有更小的复杂度。
(3)对于点击率CTR的预测，DeepFM模型在官方数据和商业数据上都优于其他模型。
DeepFM：
DeepFM模型是FM模型和DNN模型的组合，将两者的输出结果相加，进行sigmoid激活，输出0-1之间的得分。
FM部分:
二阶特征交互：通过对主流应用市场的研究，我们发现人们经常在用餐时间下载送餐的应用程序，这就表明应用类别和时间戳之间的（阶数-2）交互作用是CTR预测的一个信号。
三阶或者高阶特征交互：我们还发现男性青少年喜欢射击游戏和RPG游戏，这意味着应用类别、用户性别和年龄的(阶数-3)交互是CTR的另一个信号。
根据谷歌的W&D模型的应用， 作者发现同时考虑低阶和高阶的交互特征，比单独考虑其中之一有更多的改进。
输入的特征中可以包括稀疏特征（Sparse Features）和连续特征（Dense Features）。其中稀疏特征需要进行Embedding操作，连续特征可以直接输入。FM层会将原始输入进行1阶内积操作，将embedding输入进行2阶内积操作，最终将1阶内积和2阶内积相加。
DNN部分:
由于人工特征工程的局限性，很难发现多个特征的之间的相互影响。大部分特征交互都隐藏在数据中，难以先验识别（比如经典的关联规则 "尿布和啤酒 "就是从数据中挖掘出来的，而不是由专家发现的），只能由机器学习自动捕捉，而深度神经网络恰恰可以弥补该缺陷。
DNN部分和FM部分共享同样的输入，在DNN部分，经过多个全连接层的处理，得到最终的输出。
关于输入，包括离散的分类特征域（如性别、地区等）和连续的数值特征域（如年龄等）。分类特征域一般通过one-hot或者multi-hot（如用户的浏览历史）进行处理后作为输入特征；数值特征域可以直接作为输入特征，也可以进行离散化进行one-hot编码后作为输入特征。对于每一个特征域，需要单独的进行Embedding操作，因为每个特征域几乎没有任何的关联，如性别和地区。而数值特征无需进行Embedding。
从field映射到embedding，类似于两个矩阵相乘，field矩阵为1×n，权重矩阵为n×k，相乘得到的embedding为1×k。field中有多少个神经元起作用是没关系的，也可能有多个神经元起作用，比如一个用户既喜欢湖人队又喜欢骑士队。
FNN、PNN、Wide & Deep、DeepFM对比：
FNN模型：
FNN模型是基于FM初始化的前向神经网络。会存在3个问题，
第一，embedding层的参数会受FM的过度影响。
第二，由于加入了FM的预训练过程，导致高效性会有影响。
第三，FNN仅仅可以捕捉高阶特征。
PNN模型：
PNN模型根据运算的不同分为IPNN（内积运算）, OPNN（外积运算）, PNN*（内积+外积）。
内积运算可以通过消除一些神经元进行运算。外积运算则需要把m个k维的特征变化为1个k维的特征。外积运算损失了大量的特征信息，使得结果不稳定，效果不如内积运算。
FNN内积或者外积的输出全部连接到后续的全连接层，会使得运算量加大。FNN的输入都是embedding，没有低层特征的输入。而DeepFM的输入同时包含了低层特征和embedding层的特征。
Wide & Deep模型：
Wide部分的特征输入需要大量人工特征工程。而DeepFM的输入都是模型自动训练学习的。
实验结果：
