DeepFM：FM 与深层网络共享 embedding¶
复现级别：核心机制复现。实际联合训练 FM 二阶交互与 deep 分支；私有工业特征和线上系统不在本地复现范围。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 1703.04247 |
| 公司/机构 | Huawei Noah's Ark Lab |
| 首次公开日期 | 2017-03-13（arXiv v1） |
| 原文开源代码 | 否：论文未提供官方/作者代码（核查日期：2026-08-09） |
| Adapter | deepfm |
| 本地复现代码 | src/auto_research/reproductions/deepfm/ |
原始论文总结¶
背景与主要改动¶
CTR 排序既依赖低阶组合特征，也依赖高阶非线性交互。传统 Wide & Deep 需要人工构造 wide 特征，DeepFM 则让两条路径端到端共享 embedding。
模型把 FM 的一阶/二阶项与 MLP 输出相加。相同 field embedding 同时进入两条路径，减少人工交叉和重复参数。
flowchart LR
X["稀疏字段"] --> E["共享 embedding"]
E --> F["FM 二阶交互"]
E --> D["Deep MLP"]
F --> S["logit 相加"]
D --> S原论文关键图¶
原论文 Figure 1（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。
核心公式¶
\[
\hat y=\sigma\left(w_0+\sum_i w_i x_i+
\sum_{i<j}\langle v_i,v_j\rangle x_ix_j+y_{\mathrm{DNN}}\right).
\]
论文离线与线上效果¶
原文在 Criteo 和企业数据上比较 AUC/logloss，并报告优于 FM 与纯深度模型；本条按用户批准作为经典例外，不将其证据用于放宽新工业论文线上门槛。
本地复现¶
本地对照口径：基线为 embedding MLP，实验组为共享 embedding 的 FM + deep 分支；NDCG@10 相对 +23.58%，见
metrics/movielens-100k-seeds42-44.json。
- 数据：完整下载的 MovieLens-100K，本地训练使用固定紧凑子集。
- 公平基线：共享相同 embedding、训练步数和负采样的 embedding MLP。
- 方法：真实 FM 二阶项加 deep 分支，不用手工分数代理。
- 运行：
auto-research reproduce --paper deepfm --dataset-dir data
三 seed 下 NDCG@10 为 0.02743→0.03390，Hit@10 为 0.05556→0.06667。结果写入独立的 JSON 与 Markdown artifact；checkpoint 不提交。