7.5.3　DeepFM

DeepFM是2017年华为诺亚方舟团队提出的一个将FM与DNN有效结合的模型，主要借鉴Google的Wide & Deep论文的思想并进行适当改进，将其中Wide部分（logistic回归）换成FM与DNN进行特征交叉。Wide和Deep部分共享原始输入特征向量，这让DeepFM可以直接从原始特征中同时学习低阶和高阶特征交叉，因此不像Wide & Deep模型那样，需要进行复杂的人工特征工程（logistic回归部分需要人工特征工程），同时训练效率会更高（DeepFM的网络结构参考图7-2）。本章参考文献[15]，[20]，[27]也是关于FM与深度学习结合的拓展。

该算法从提出后，被工业界大量用于广告点击预估和推荐系统（如美团将DeepFM用于CTR预估），有非常不错的效果。该团队在本章参考文献[5]中进一步对DeepFM的两种变种进行了比较，并在华为的应用市场APP推荐真实业务场景中做了AB测试，发现比原来的LR算法有近10%的点击率提升。

腾讯开源的Angel（Spark on Angel）中有DeepFM的实现，读者可以尝试将DeepFM应用到自己的推荐或者CTR预估业务中。

图7-2　DeepFM的网络结构

注：图片来源于本章参考文献[4]。