Deepfm是華爲諾亞方舟實驗室和哈工大在2017年合作發表的一篇論文，思想和實現都很簡單，只是在wide&deep的基礎上加一個FM，其中FM和DNN共享原始的embedding特徵向量，由於FM計算的時間複雜度爲O(Kn)，其中K爲field的個數，一般也很小，故deepfm實際計算的時間複雜度和DNN接近。
上圖爲deepfm的模型結構，可以看出和deep&cross類似，只是把cross層換成了FM層，FM層計算很簡單，一般FM的公式可以定義爲如下公式：
其中vi 是第 i 維特徵的隱向量，⟨⋅,⋅⟩ 代表向量點積。隱向量的長度爲 k（k<<n），直觀上看，上式的時間複雜度是O(knn)，上面這個公式可以經過化簡得到如下公式：
這樣FM模型的計算時間複雜度就可以由O(knn)簡化成O(K*n). 最後再把FM層的特徵向量和DNN的特徵向量concat， 最後再經過一個二分類的softmax，就可以得到預測爲正，負樣本的概率。
模型的tensorflow實現代碼可以參考: https://github.com/qiaoguan/deep-ctr-prediction/tree/master/DeepFM
參考文獻： Huifeng Guo et all. “DeepFM: A Factorization-Machine based Neural Network for CTR Prediction,” In IJCAI,2017.