FNN模型是一種結合了因子分解機（FM）和多層感知機（MLP）的神經網路結構，旨在提高點擊率預測（CTR）的準確性。以下是FNN模型的主要特點和結構：
特點：
結合FM和MLP： FNN模型利用FM進行特徵交叉，然後通過MLP進行高階特徵組合，從而提高了模型的表達能力。
兩階段訓練： 首先訓練FM模型以獲取初始參數，然後將這些參數作為FNN模型底層參數的初始值。這種方法有助於提高模型的收斂速度並利用FM的特徵表達能力。
激活函式選擇： 在FNN模型中，通常選擇tanh作為激活函式，因為實驗表明它在學習性能上表現良好。
結構：
輸入層（Input layer）： 接收原始特徵向量。
FM層（FM layer）： 進行特徵交叉操作，輸出特徵交叉向量。
MLP層（MLP layer）： 接收FM層輸出的特徵交叉向量，輸出最終預測結果。
存在的問題：
模型能力受限： 由於Embedding參數受FM的影響，模型能力可能受限於FM表徵能力的上限。
訓練過程複雜： 訓練過程分為兩個階段，這可能導致效率不高且過程較複雜。
未充分利用低階特徵： FNN專注於高階組合特徵，但未充分利用低階特徵，這可能限制了模型的泛化能力。
綜上所述，FNN模型通過結合FM和MLP的優勢，提高了CTR預測的準確性。然而，它也存在一些局限性，如模型能力的限制、訓練過程的複雜性以及未充分利用低階特徵等。