# DeepFM提出的动机是什么？
目前大部分的CTR预估模型“are biased to low- or high- order feature interaction”，例如FNN、PNN等NN模型专注于隐式的高阶特征相关性，而LR、FM等则专注于显式对得到低阶特征相关性，Google在2016年提出的Wide&Deep模型同时考虑了两者，但Wide部分需要人工参与特征工程。
DeepFM的动机非常直观，既希望考虑高/低阶的feature interaction，又想省去额外的特征工程。使用FM取代Wide的LR部分是一个可行的做法，当然这里LR可以基于先验构造更高阶的组合特征，而FM只考虑二阶。
# DeepFM中FM层与NN层是共享特征Embedding的好处是什么？
1）降低模型复杂度，提升模型性能；
2）在embedding的学习中同时接收与来自“low & high order interaction”部分的反馈，从而学到更好的特征表示。
# DeepFM相较于Wide&Deep有什么改进？为什么这么改进？
DeepFM对Wide&Deep模型的改进之处在于用FM替换了原来的Wide部分,加强了浅层网络部分特征组合的能力。
DeepFM中的FM层和隐藏层共享输入。这种共享输入使得DeepFM可以同时从原始特征中学习低阶特征交互和高阶特征交互,完全不需要执行特征工程。
