1、FM模型理论和实践
FM(Factorization Machine)主要是为了解决数据稀疏的情况下，特征怎样组合的问题
数据的稀疏性，是实际应用场景中面临的一个非常常见的挑战与问题。与线性模型相比，FM的模型就多了后面特征组合的部分。
在数据很稀疏的情况下，满足xi,xj都不为0的情况非常少.对每一个特征分量xi引入辅助向量Vi=(vi1,vi2,?,vik),当交叉项参数全为0时退化为普通的LR模型。
FM求解:https://www.jianshu.com/p/152ae633fb00
2、FFM模型
FFM把相同性质的特征归于同一个field。在FFM中，每一维特征，针对每一种field ，都会学习到一个隐向量，因此，隐向量不仅与特征相关，也与field相关。
FM每个特征只有一个共享的embedding向量，
而对于FFM的一个特征，则有（F-1）个特征embedding向量，用于和不同的特征域特征组合时使用。
FFMgithub举例：
https://github.com/princewen/tensorflow_practice/tree/master/recommendation-FFM-Demo
3、DEEPFM
类似于FFM中的思想，将特征分为不同的field，以免全部onehot导致网络参数太多，再加两层的全链接层，让Dense Vector进行组合得到高阶特征。低阶特征组合单独建模，然后融合高阶特征组合。
FM和深度网络DNN的结合也就成为了CTR预估问题中主流的方法
https://www.jianshu.com/p/e7b2d53ec42b 《【通俗易懂】手把手带你实现DeepFM！》
4、NFM模型和AFM模型
NFM模型将FM与神经网络结合以提升FM捕捉特征间多阶交互信息的能力。根据论文中实验结果，NFM的预测准确度相较FM有明显提升，并且与现有的并行神经网络模型相比，复杂度更低。
NFM本质上还是基于FM，FM会让一个特征固定一个特定的向量，当这个特征与其他特征做交叉时，都是用同样的向量去做计算。这个是很不合理的，因为不同的特征之间的交叉，重要程度是不一样的。因此，学者们提出了AFM模型（Attentional factorization machines），将attention机制加入到我们的模型中，关于AFM的知识，我们下一篇来一探究竟。
模型总结
推荐系统的EE问题
Bandit算法、 LinUCB算法