论文：DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
DeepFM分成两部分：FM部分和Deep部分。
FM部分
1、图中的Field就是FFM中的特征域的概念。
2、这张图反映的就是FM的公式：
Addition部分，即sparse Features输入到FM layer中的加法神经元中，这部分LR，对应公式；sparse Features是增广向量，即包含偏置特征1；
Inner Product部分即两个embedding后的向量点乘，得到的结果是个标量就等同于，所以DeepFM中的交叉是两个特征域的交叉。
个Field得到
个Embedding特征向量。这
个Embedding特征向量输入
个乘法神经元中，每一个乘法神经元代表的是任意两个Embedding特征向量的交叉。对于Fieldi和Fieldj，embedding后的向量为
和
，长度都为
，
下面一句话待确认
每一个embedding后的特征向量都对应一个的矩阵
，那么FM layer中的每一个乘法神经元的输出为：
。
Deep部分
Deep部分就是将所有Field的Embedding向量，拼接起来作为神经网络的输入。
Embedding细节
完整结构
最终预测结果为：
可以看到FM部分和Deep部分共用相同的特征，只是在输入时特征的组织方式不同。FM输入了原始的sparse features以及特征交叉，Deep部分只输入了dense features。
python实现参考：https://www.cnblogs.com/wkang/p/9881921.html
