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。

检验攻克程度：针对「DeepFM 因子分解机精排模型」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。