論文題目: DeepFM: a factorization-machine based neural network for CTR prediction
論文地址: https://www.ijcai.org/proceedings/2017/0239.pdf
論文發表於: IJCAI 2017（CCF A類會議）
論文大體內容：
本文主要介紹了一種融合FM和DNN的模型——DeepFM模型，該模型主要思想就是把WDL模型的Wide層改爲FM，並且共用特徵embedding，不但能夠學習一階特徵，還行自動的進行二階特徵組合，避免人工做特徵工程，並且DeepFM的效果也比其他常見模型的效果好；
1. DeepFM主要貢獻點：
①DNN+FM，不需要額外進行特徵組合；
②通過共享輸入數據和embedding的向量，使得模型能夠既學習低維，也學習高維特徵，而且訓練還比較高效；
③在CTR任務上取得很好的效果；
2. DeepFM的整體網絡結構如下圖所示，包括FM部分和DNN部分，最後預測結果y=sigmoid(y_fm + y_dnn)；
3. DeepFM的FM部分如下圖；
4. DeepFM的DNN部分如下圖；
5. 與常見的FNN、PNN、WDL模型對比如下；
實驗
6. Dataset
7. Baseline
①LR；
②FM；
③FNN；
④PNN（3個變種）；
⑤WDL（2個變種：LR+DNN，FM+DNN，都不共享低維和高維特徵）；
8. 評測方法
①AUC；
②Logloss；
9. 實驗結果
10. 通過參數調整的實驗，可以發現使用3個隱層、每個隱層維度一樣、relu激活函數能取得更好的效果；
參考資料：
[1] https://blog.csdn.net/John159151/article/details/90751878
以上均爲個人見解，因本人水平有限，如發現有所錯漏，敬請指出，謝謝！