深度推荐模型之DeepFM

一、FM

背景：主要解决大规模稀疏数据下的特征组合遇到的问题：1. 二阶特征参数数据呈指数增长
怎么做的：对每个特征引入大小为k的隐向量，两两特征的权重值通过计算对应特征的隐向量内积

而特征之间计算点积的复杂度原本为
实际应用：在推荐场景中，用户特征和物品特征可以相互组合，例如用户性别男经过onehot编码之后为[0,1]，物品颜色蓝色经过onehot编码之后为[1,0]，那么组合特征[用户性别=男，物品颜色=蓝]可能会很有用。此时可以用FM模型，对用户性别和物品颜色特征进行组合。

二、wide & deep

https://arxiv.org/abs/1606.07792 2016年
参考：https://blog.csdn.net/google19890102/article/details/78171283
核心思想是结合线性模型的记忆能力和DNN模型的泛化能力，从而提升整体模型性能。
wide 模型：可用线性模型如LR模型，起记忆作用，即从历史数据中发现特征之间的相关性。缺点：1.需要更多人工设计；2.可能出现过拟合；3.无法捕捉训练数据中未曾出现过的特征对。
deep模型：深度学习模型，起泛化作用，即相关性的传递，发现在历史数据中很少或者没有出现过的特征组合，寻找用户的新偏好。当user-item矩阵比较稀疏时，模型会