針對交叉（高階）特征學習提出的DeepFM是一個end-to-end模型，不需要像wide&deep那樣在wide端人工構造特征。
網絡結構：
sparse features的構造：類別型特征one-hot，連續型特征數值表示，或者分段離散后one-hot
FM與NN分別輸出預測y后，對兩個結果進行sigmoid
FM部分：
paper指出在數據稀疏的情況下，FM仍能有效地學出二階特征，最后FM的預測為：
deep部分：
papar指出這個網絡結構兩個特別的點：
1）雖然input的field vector長度不一，但是它們embedding出來的長度是固定的
2）FM的latent vector V向量作為原始特征到embedding vector的權重矩陣，放在網絡里學習，如下圖。
（個人理解，也就是說在網絡的一二層，學出來的weight就是FM的latent vector，然后在FM component中使用，計算y_fromFM）
deepFM中FM與deep部分共享一份embedding數據，有兩點好處：
1）能夠從原始特征同時學習低階和高階特征
2）不需要像W&D做特征工程
paper之后比較了該模型與W&D在內的好幾個模型，因為還沒有讀它們的原始論文，暫不記了。