推荐系统CTR预估模型之DeepFM

 Deepfm是华为诺亚方舟实验室和哈工大在2017年合作发表的一篇论文，思想和实现都很简单，只是在wide&deep的基础上加一个FM，其中FM和DNN共享原始的embedding特征向量，由于FM计算的时间复杂度为O(Kn)，其中K为field的个数，一般也很小，故deepfm实际计算的时间复杂度和DNN接近。

 上图为deepfm的模型结构，可以看出和deep&cross类似，只是把cross层换成了FM层，FM层计算很简单，一般FM的公式可以定义为如下公式：

 其中vi 是第 i 维特征的隐向量，⟨⋅,⋅⟩ 代表向量点积。隐向量的长度为 k（k<<n），直观上看，上式的时间复杂度是O(knn)，上面这个公式可以经过化简得到如下公式：

 这样FM模型的计算时间复杂度就可以由O(knn)简化成O(K*n). 最后再把FM层的特征向量和DNN的特征向量concat， 最后再经过一个二分类的softmax，就可以得到预测为正，负样本的概率。

模型的tensorflow实现代码可以参考: https://github.com/qiaoguan/deep-ctr-prediction/tree/master/DeepFM
参考文献： Huifeng Guo et all. “DeepFM: A Factorization-Machine based Neural Network for CTR Prediction,” In IJCAI,2017.