针对交叉（高阶）特征学习提出的DeepFM是一个end-to-end模型，不需要像wide&deep那样在wide端人工构造特征。
网络结构：
sparse features的构造：类别型特征one-hot，连续型特征数值表示，或者分段离散后one-hot
FM与NN分别输出预测y后，对两个结果进行sigmoid
FM部分：
paper指出在数据稀疏的情况下，FM仍能有效地学出二阶特征，最后FM的预测为：
deep部分：
papar指出这个网络结构两个特别的点：
1）虽然input的field vector长度不一，但是它们embedding出来的长度是固定的
2）FM的latent vector V向量作为原始特征到embedding vector的权重矩阵，放在网络里学习，如下图。
（个人理解，也就是说在网络的一二层，学出来的weight就是FM的latent vector，然后在FM component中使用，计算y_fromFM）
deepFM中FM与deep部分共享一份embedding数据，有两点好处：
1）能够从原始特征同时学习低阶和高阶特征
2）不需要像W&D做特征工程
paper之后比较了该模型与W&D在内的好几个模型，因为还没有读它们的原始论文，暂不记了。
来源：https://www.cnblogs.com/akanecode/p/8093742.html