推荐系统之deepfm模型

    一般国内涉及到推荐模型的公司，发展历程为传统机器学习LR-->FM到深度学习wide&deep、deepfm、DCN...这些。目前我所在的公司采用的是online fm模型，准备向深度学习进军，所以最近也是在调研一些工业界用的比较多的模型，以此记录一下学习历程，因为自己本身对tensorflow不是很熟悉，一些看似简单的模型架构实现起来很困难（说到底就是线性代数学的差，矩阵维度傻傻算不清楚），所以博主准备从模型维度出发全面瓦解模型思想。

    如果你足够了解fm模型，那么deepfm也就非常简单了，他主要分为两部分

模型所需的参数

• field_size(field数):F
• feature_size(特征维度):M
• hidden_factor(隐藏因子数):K
• batch_size(每批次训练样本数):B(None)

构建的原始权重参数

• feature_embeddings:[M,K]
• feature_bias:[M,1]

    1.fm layer

    首先要弄清楚field size和feature size的概念和区别，在对于category特征时，例如特征sex列，有(man,woman,null)三个特征值，那么我们一般要先将特征one-hot一下为三个特征列，若某个用户性别时男，那么他的表示就是(1,0,0),女就是(0,1,0),以此递推null就是(0,0,1),那么性别这个特征就是一个field，他的feature size就是3个(男，女，null)。所