代码角度分析DeepFM

DeepFM架构

embedding+Factorization machines（FM）+Deep

程序中的输出

很明显，又两个部分组成FM+DEEP

FM

前者由y_first_order与y_second_order组成（对应FM的两个部分）维度分别为特征下标与embedding矩阵的size

DEEP

由多层FC组成维度为最后一层的神经元个数（参数）
(None-BATCHSIZE)

self.out

由上面两个部分拼接后进行一个线性回归得到最终的解

数据集

Xi

一个field代表一个特征，具体值影响one-hot
len(xi[0])相当于特征个数（如特征颜色）
xi[0][0]相当于这个特征+值（构建字典…）所对应的feature
（应该是这样理解）

Xv

上面feature对应的值
（个人感觉主要考虑到有连续的属性所以加了此项）

y

标签

过程

embeddings

基于Xi的值feature，进行一个embedding
(相当于构建一个矩阵feature-size*embedding-size)
基于具体feature找行得到len(xi[0])*embedding-size
再与xv，进行tf.multiply得到embedding层的输出

y_first_order

FM的线性回归过程，未使用embeddings

y_second_order

FM的后面过程
（why=-）

Deep

对embeddings后的数据拉伸为一维进行全连接层的叠加

loss

self.out是一维数据（二分类CTR）

参考

https://github.com/ChenglongChen/tensorflow-DeepFM