針對交叉（高階）特征學習提出的DeepFM是一個end-to-end模型，不需要像wide&deep那樣在wide端人工構造特征。

網絡結構：

sparse features的構造：類別型特征one-hot，連續型特征數值表示，或者分段離散後one-hot

FM與NN分別輸出預測y後，對兩個結果進行sigmoid

FM部分：

paper指出在數據稀疏的情況下，FM仍能有效地學出二階特征，最後FM的預測為：

deep部分：

papar指出這個網絡結構兩個特別的點：

1）雖然input的field vector長度不一，但是它們embedding出來的長度是固定的

2）FM的latent vector V向量作為原始特征到embedding vector的權重矩陣，放在網絡裏學習，如下圖。

（個人理解，也就是說在網絡的一二層，學出來的weight就是FM的latent vector，然後在FM component中使用，計算y_fromFM）

deepFM中FM與deep部分共享一份embedding數據，有兩點好處：

1）能夠從原始特征同時學習低階和高階特征

2）不需要像W&D做特征工程

paper之後比較了該模型與W&D在內的好幾個模型，因為還沒有讀它們的原始論文，暫不記了。

論文筆記-DeepFM: A Factorization-Machine based Neural Network for CTR Prediction