DeepFM的学习笔记

看的是这篇文章：《深度推荐模型之DeepFM》

https://zhuanlan.zhihu.com/p/57873613

做一些学习笔记

DeepFM模型原理，该模型可认为是Wide & Deep推荐模型的升级版。

不同点主要有以下两点：

wide模型部分由LR替换为FM。FM模型具有自动学习交叉特征的能力，避免了原始Wide & Deep模型中浅层部分人工特征工程的工作。
共享原始输入特征。DeepFM模型的原始特征将作为FM和Deep模型部分的共同输入，保证模型特征的准确与一致。

DeepFM模型的AUC和Logloss都优于目前的最好效果。

　　

实验结果可以看出，DeepFM模型比其他对比模型AUC提升至少0.37%，logloss减少至少0.42%。同时可以得到以下结论：

学习特征交互可以改善CTR预估模型。
同时学习high-order和low-order特征可以改善CTR模型效果。
通过共享输入特征学习high-order和low-order交互特征表示可以提升CTR模型。