DeepFM 因子分解机精排模型

DeepFM（Deep Factorization Machine，由华为诺亚方舟与中科院于 2017 提出）是一种兼具低阶显式特征交叉能力与高阶深度非线性学习能力的经典点击率 (CTR) 精排神经网络；其核心架构包含共享同一套低维 Embedding 权重的两个并行分支：1) FM 部分 (Factorization Machine: 包含一阶线性部分与二阶点积交叉部分 $\sum_{i=1}^d \sum_{j=i+1}^d \langle v_i, v_j \rangle x_i x_j$，在 $O(kd)$ 线性时间复杂度内计算全部二阶组合特征)；2) Deep 部分 (标准多层前馈全连接网络，捕捉高阶复杂非线性特征)；两部分输出直接相加经 Sigmoid 激活得到预测点击率：$\hat{y} = \text{sigmoid}(y_{\text{FM}} + y_{\text{DNN}})$。

电商/广告/推荐精排 CTR 预估的通用基线模型、稀疏高维类别特征场景下的点击率预测。

早期 Wide & Deep 模型的 Wide 部分严重依赖繁重的人工手动特征工程 (Manual Feature Crossing)；DeepFM 实现了低阶二阶特征交叉与高阶深层特征交叉的端到端自动化联合训练，且底层共享 Embedding 彻底消除了特征工程负担。

推导 FM 二阶特征交叉项如何从 $O(d^2)$ 的双重循环化简为 $O(kd)$ 线性时间复杂度：$\frac{1}{2} \sum_{f=1}^k [(\sum_{i=1}^d v_{i,f} x_i)^2 - \sum_{i=1}^d v_{i,f}^2 x_i^2]$？

对比 DeepFM、Wide & Deep 与 FNN 在底层 Embedding 权重共享机制与预训练依赖上的根本差异？

为什么在 DeepFM 中，连续数值特征 (Numerical Features) 与高维类别特征 (Categorical Features) 需要采用不同的处理与 Embedding 投影？

DeepFM 模型的二分类交叉熵损失函数 (Log-loss) 与在线 Serving 阶段的高并发 GPU 显存吞吐优化？

从 DeepFM 到 DCN (Deep & Cross Network) 与 xDeepFM (CIN 向量级交叉) 的显式高阶交叉演进脉络？