論文地址：https://arxiv.org/pdf/1703.04247.pdf

CTR預估我們知道在比較多的應用場景下都有使用。如：搜尋排序、推薦系統等都有廣泛的應用。並且CTR具有極其重要的 地位，特別相對廣告推薦領域來說更加如此，競價廣告需要通過ctr給出相應的價格，並由此獲得廣告曝光的機會。而ctr的大小決定了出價的高低，直接會影響到該廣告是否能得到曝光機會。這裡涉及到計算廣告相關的知識，暫時就不展開講了。這裡主要介紹一下DeepFM該演算法的基本原理和網路框架。

論文總體來看還是相對比較容易的，主要分為三個部分：

第一部分：演算法的主要背景

第二部分：DeepFM的基本網路框架和原理

第三部分：實驗（papers必須有的部分）

下面分別從我個人理解的角度來說說每個部分吧：

1、DeepFM演算法的背景

（1）首先我們同樣要回顧一下FM演算法的基本原理，FM主要是在LR的基礎上增加了二階交叉項的概念，從而可以獲得一些轎車特徵。但是演算法每個特徵兩兩交叉的話，演算法複雜度是O(n平方)，

所以，為了優化FM演算法，將矩陣分解應用其中。

　　FM的缺點是：

　　1）僅僅兩兩之間的交叉特徵

　　2）只能獲得二階交叉的特徵，對於高階特徵並沒有涉及

（2）從16年wide-deep演算法中，或多或少的作者受到了一些啟發，於是想到可以對FM演算法利用深度學習進行優化，預計就提出了DeepFM演算法。

2、DeepFM演算法的基本原理（個人覺得還是比較簡單的）

（1）總體網路結構

　　網路結構中，主要包含Deep部分和FM部分，網路結構類似Wide-Deep結構。

（2）演算法的原理

　　首先網路最終輸出是：

　　其中，FM部分如下所示：

　　Deep部分如下所示：

網路就是這麼簡單，就是講這兩部分的輸出進行求和並輸出。

3、實驗。實驗部分可以學習別人調節引數的經驗。

（1）Dropout設定：

　　從作者的實驗來看，dropout設定為0.9效果最佳

（2）隱藏層數設定

　　從上圖來看，作者實驗資料表明，隱層數量=3效果最佳

（3）隱藏層神經元個數

　　　　神經元個數的變化: constant (200-200-200), increasing (100-200-300),decreasing (300-200-100), and diamond (150-300-150)