以下为个人对文章的理解记录，如有错误，欢迎指正~~
如果觉得有帮助或者写的还行，点个赞呗~~~
Zhang J, Huang T, Zhang Z. FAT-DeepFFM: Field Attentive Deep Field-aware Factorization Machine[J]. arXiv preprint arXiv:1905.06336, 2019.
原文链接：https://arxiv.org/pdf/1905.06336.pdf
熟悉推荐系统中CTR预估的人对于这方面模型的演化应该如数家珍，以FM系列的模型来说，比较著名的包括：FM、AFM、NFM、DeepFM、FFM、HOFM等，都是基于FM进行的改进。前一篇文章中介绍的FwFM基于FFM进行了改进，而今天介绍的这一篇文章将DeepFM和FFM进行了结合，同时使用了CV中的SENET网络结构，提出了Field Attentive Deep Field-aware Factorization Machine，简称FAT-DeepFFM。
一、相关工作简介
如何将attention机制应用到CTR模型中是一个推荐中的研究方向。在AFM中已经使用了attention机制来计算二阶交互特征的重要性，本文则提出在特征交互前评估特征的重要性。为了实现这一目的本文借鉴了CV中的SENet结构,并且进行了改进，提出了CENet(Compose-Excitation network), 作为SENet的强化版本。
另一方面，模型的改进路线为FM=>FFM=> (+) DeepFM => FAT-DeepFFM。所以先了解一下以上几个模型。
FMs模型，2010年提出的FM模型是经典中的经典。研究特征交互的CTR模型基本都有这篇文章的影子。
FFMs模型，与FM模型相比，FFM模型引入了域(field)的概念，增加了潜在向量的个数，如果有n个features属于f个field，则FFM模型的二次项有nf个隐向量，而FM可视为FFM的特例，是将所有特征都归属于一个field时的FFM模型。在上一篇文章中已经介绍了FFM模型的参数量相对FM特别多。
DeepFM模型，2017年google提出来的模型，结合了FM和DNN的。
到这里，如果不提FAT-DeepFFM模型中的FAT部分，很多人都可以自己实现DeepFFM模型，每个Field学习f-1个embedding，然后其他不变，就可以了。在文中也给出了DeepFFM的模型结构图。
接下来，详细介绍FAT-DeepFFM模型。
二、FAT-DeepFFM模型解析
1、模型完整结构
可以和DeepFM结构进行比较，可以看到主要的 差别是多了中间的Attentive Embedding matrix layer 这一层，那么只需要了解这一层的工作原理就可以了。
2、CENet Field Attention on Embedding Matrix Layer
首先了解一下SENet结构，下图中一个是原CV中的SENet结构，第二副图是FiBiNet文中使用的SENet结构。这个结构首先是用在CV中的，作者借用了过来，SENet的主要作用是“把重要的特征增强，不重要的特征减弱，从而让提取的特征指向性更强”。可以看到，输入和输出的维度没有变，但是通过Attention结构提取了特征的重要程度，然后通过相乘再和原来的维度求和的方式实现了特征强化的目的。关于SENet结构的具体解析可以看 解读Squeeze-and-Excitation Networks（SENet）。
作者根据FFM的特点，提出了SENet的改进版本——CENet Field attention。 可能看着比较复杂，但是仔细观察可以看到，实际的结构和上图FiBiNet SENet结构相同。为什么看起来这么负责呢？因为本文针对每个Field的f-1个embedding都使用了一个SENet结构。通过这种结构获得一个获得一个新的Embedding。大家可以重新看一下这幅图，就可以理解了。所以理解了SENet之后，再理解CENet其实不复杂。
3、一些细节。
在特征交互时，作者提出了Inner product和Hadamard product两种方式。当然，这两种方式也是CTR模型中常用的两种方式。而且将向量的Hadamard积求和就是内积。通过这两种交互输入DNN的部分。
到此，介绍完了FAT-DeepFFM，虽然模型的名字越来越长了，但是只要理解了模型的每一部分，那么模型就不再复杂。
三、实验分析
本文选择在Criteo和Auazu数据集上进行实验。具体的对比细节可以看原文。
1、FAT-DeepFFM和其他SOTAs模型对比
效果有所改进，不过改进的幅度在0.001 level上。
2、哪个层面上的Attention对模型的影响大。
问题中的Attention层次是指将Attention用在什么地方，一共有两个地方可以使用：（1）Embeding后，（2）特征交互之后。
3、特征交互的方式对模型效果的影响。
主要探究是Inner product 和 Hadamard product两种方式对结果的影响。
四、小结
这是看到的第二篇将SENet结构运用在CTR模型中的文中，第一篇是FiBiNet模型，有兴趣的同学可以去搜索一下，之后也会写一篇介绍。在FiBiNet中，是生成了另外一组Embedding，然后接一个双塔结构。不得不说，将其他领域的结构放在推荐中还是有机会的，所以大家在学习的时候不要拘泥于一个领域，多看看其他领域如CV、NLP等，也会得到启发也说不定。
回到文章本身，就我个人对文章的理解来说，创新不算很大。而且FFM-based 模型的参数都很大，基本无法实现落地。不过对于特征强化这一点确实可以给人启发，如果这种结构适合其他所有的Embedding，那么是不是可以提高其他任务的效果呢。当然，不限于SENet这种结构，也可以是其他结构，等待大家的研究。
