代码角度分析DeepFM
DeepFM架构
embedding+Factorization machines（FM）+Deep
程序中的输出
很明显，又两个部分组成FM+DEEP
FM
前者由y_first_order与y_second_order组成（对应FM的两个部分）维度分别为特征下标与embedding矩阵的size
DEEP
由多层FC组成维度为最后一层的神经元个数（参数）
(None-BATCHSIZE)
self.out
由上面两个部分拼接后进行一个线性回归得到最终的解
数据集
Xi
一个field代表一个特征，具体值影响one-hot
len(xi[0])相当于特征个数（如特征颜色）
xi[0][0]相当于这个特征+值（构建字典…）所对应的feature
（应该是这样理解）
Xv
上面feature对应的值
（个人感觉主要考虑到有连续的属性所以加了此项）
y
标签
过程
embeddings
基于Xi的值feature，进行一个embedding
(相当于构建一个矩阵feature-size*embedding-size)
基于具体feature找行得到len(xi[0])*embedding-size
再与xv，进行tf.multiply得到embedding层的输出
y_first_order
FM的线性回归过程，未使用embeddings
y_second_order
FM的后面过程
（why=-）
Deep
对embeddings后的数据拉伸为一维进行全连接层的叠加
loss
self.out是一维数据（二分类CTR）
参考
https://github.com/ChenglongChen/tensorflow-DeepFM