#Paper Reading# DeepFM: a factorization-machine based neural network for CTR prediction

论文题目: DeepFM: a factorization-machine based neural network for CTR prediction
论文地址: https://www.ijcai.org/proceedings/2017/0239.pdf
论文发表于: IJCAI 2017（CCF A类会议）

论文大体内容：
本文主要介绍了一种融合FM和DNN的模型——DeepFM模型，该模型主要思想就是把WDL模型的Wide层改为FM，并且共用特征embedding，不但能够学习一阶特征，还行自动的进行二阶特征组合，避免人工做特征工程，并且DeepFM的效果也比其他常见模型的效果好；

1. DeepFM主要贡献点：
①DNN+FM，不需要额外进行特征组合；
②通过共享输入数据和embedding的向量，使得模型能够既学习低维，也学习高维特征，而且训练还比较高效；
③在CTR任务上取得很好的效果；

2. DeepFM的整体网络结构如下图所示，包括FM部分和DNN部分，最后预测结果y=sigmoid(y_fm + y_dnn)；

3. DeepFM的FM部分如下图；

4. DeepFM的DNN部分如下图；

5. 与常见的FNN、PNN、WDL模型对比如下；

实验
6. Dataset

7. Baseline
①LR；
②FM；
③FNN；
④PNN（3个变种）；
⑤WDL（2个变种：LR+DNN，FM+DNN，都不共享低维和高维特征）；

8. 评测方法
①AUC；
②Logloss；

9. 实验结果

10. 通过参数调整的实验，可以发现使用3个隐层、每个隐层维度一样、relu激活函数能取得更好的效果；

 

参考资料： 
[1] https://blog.csdn.net/John159151/article/details/90751878

 

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！