摘要DeepFM是推荐领域的热算法，在非常多大家熟悉的互联网公司有落地场景。 对DeepFM最好的描述一定来源于其原始论文。
地址： https://arxiv.org/pdf/1703.04247.PD
然后，介绍推荐算法的本源。 推荐其实是典型的二分类场景。 推荐算法需要做的不仅仅是把商品和广告强加于人，预测这个人是喜欢还是讨厌。 这里最难的不是如何实现分类，而是特征的提取。
特征的提取分为低阶特征和高阶特征。 举个简单的例子，低次的特征是什么？ 例如，假设一个人在n天内买了m个馒头，就可以提取表示这个人每天馒头消费量m/n的特质。 这个特征只考虑了两个原始特征的交叉，所以是低阶特征。 其高阶特征顾名思义，一个特征可以表示非常多原始特征的交叉。 这也是深度学习的擅长之处。
论文指出，无论是低次特征还是高次特征都有各自的价值，对推荐的准确性有很大的影响。 如何有效利用低次和高次的特征是DeepFM的最大特征。
通过DeepFM与其他算法的比较第一节，我们发现推荐其实是一种特征利用的游戏。 用特征利用率介绍DeepFM与其他算法的差异。
*逻辑回归(LR ) :考虑更多线性特征，缺乏特征的交叉性和高阶特征
* DNN :考虑高阶特征，缺乏对低阶特征的考虑
* CNN :考虑到近邻特征的关系。 单一且适合图像分类
* RNN :考虑到更多数据的时序性，是单一的
*调频：考虑更多低阶特征，缺少高阶特征
* WideDeep :同时考虑低阶和高阶特征，但低阶特征需要手动交叉生成，对用户不友好
* DeepFM :兼顾低阶和高阶特性，计算中不需要用户干预
基于本文开源数据的测试结果也很有说服力：
DeepFM体系结构介绍了像DeepFM这样的牛，到底是怎么实现的呢？ 在体系结构上可以分解为FM部分和DNN部分。
底部是输入稀疏的原始特征(One-hot结果)，根据Field划分特征。 如果不理解Field的意思，请学习调频。 接着进入嵌入式层，将特征限定为有限的向量空间。 嵌入式层起到压缩的作用。 否则，推荐场景数据非常稀疏。 例如，一个用户a到EC平台b购物，a可能只购买一个商品，而EC平台b有1000个商品，则购买产品的特点是从one-hot派生出来的1000维向量嵌入式层能缓解参数爆炸。
然后进入FM层和DNN层，两者共享底层嵌入式数据，效率高，整个数据的嵌入式只需计算一次即可。
在调频层，主要工作是通过特征间的交叉获得低阶特征，以二阶特征为主。 这意味着要注意，FM算法的特征交集不是按原有特征相互交叉计算的，而是交叉特征因子分解的结果，从而更加挖掘特征深层的信息。
在DNN层没有什么可说的，就是利用深度学习数据在网络之间的传播性来获得高阶特征。
虽然如何判定最终的二分类结果很粗暴，但利用一个sigmoid加法函数，分别参考判断FM和DNN的结果。
总体来看，深度调频将在接下来的一段时间内引领推荐场景。 毕竟，这种考虑低阶和高阶特征的方式具有很好的覆盖性，但我认为整体体系结构设计没有什么特别新颖的地方。 我个人期待算法领域有本质突破的技术应运而生。
目前，基于Tensorflow的版本已经成熟，并将取得良好的结果。 感兴趣的同学可以看到这个代码的实现：
3359 github.com/chenglong Chen/tensor flow-deep FM
因为里面有可以下载的数据，所以跑起来很简单~