DeepFM模型是一種結合了因子分解機（FM）和深度神經網路（DNN）的深度學習框架，旨在提高點擊率預測（CTR）的準確性。該模型由哈爾濱工業大學和華為公司在2017年共同提出，主要用於推薦系統中的CTR預估任務。
DeepFM模型的結構融合了FM和DNN的優勢，其中FM部分負責捕捉低階特徵交叉，而DNN部分則專注於捕捉高階特徵交叉。這種結合使得DeepFM能夠在不需要複雜人工特徵工程的情況下，直接從原始特徵學習低階和高階的特徵組合。
模型的具體組成部分包括：
FM（Factorization Machine）部分：負責捕捉低階特徵交叉。它通過學習每個特徵的隱向量來表示特徵之間的互動，特別適合處理稀疏數據。
DNN（Deep Neural Network）部分：利用多層神經網路捕捉高階特徵交叉。它能夠學習更加複雜的非線性特徵組合，適合處理密集型數據。
共享Embedding層：在DeepFM模型中，FM和DNN兩部分共享相同的Embedding層。這一設計不僅減少了模型的複雜度，還提高了特徵的復用性。
DeepFM模型的優勢在於：
無需人工特徵工程：通過整合FM和DNN，DeepFM能夠自動學習特徵的低階和高階組合，避免了手動設計特徵的繁瑣過程。
端到端的訓練：模型的所有組件都通過一個統一的損失函式進行聯合訓練，提高了模型的效率和性能。
適用於多種場景：無論是處理稀疏的高維特徵（如類別型數據）還是密集的低維特徵（如連續型數據），DeepFM都能通過其結構化的設計有效地學習特徵互動。
總的來說，DeepFM模型通過結合FM和DNN的優點，有效地提高了CTR預估的準確性，是推薦系統中一個強大的工具。