papers地址：https://arxiv.org/pdf/1708.05027.pdf
借用论文开头，目前很多的算法任务都是需要使用category feature，而一般对于category feature处理的方式是经过one hot编码，然后我们有些情况下，category feature 对应取值较多时，如：ID等，one hot 编码后，数据会变得非常的稀疏，不仅给算法带来空间上的复杂度，算法收敛也存在一定的挑战。
为了能解决one hot 编码带来的数据稀疏性的问题，我们往往能想到的是不是通过其他的编码Embeding方式。恰好深度学习的爆发，我们可以通过深度学习构架神经网络对category feature进行embeding。为了介绍该篇论文，主要围绕该篇论文进行介绍一下。论文主要分为四个部分：
第一部分：介绍背景
第二部分：介绍Factorization Machines和DNN
第三部分：介绍NFM网络结构及其原理（本文的重点）
第四部分：实验部分
最后谈谈个人的理解和想法。
1、介绍背景
如上面所述，背景部分主要内容说的现阶段的问题和痛点：
（1）category feature在传统机器学习中处理的方法——one hot编码，而这种编码方式会带来数据的维度暴增和数据的稀疏性。这个会给传统机器学习带来空间复杂度和算法收敛较为困难。
（2）FM的二阶交叉项仅仅是两两之间的交叉特征，对于三阶或者高阶的特征并不能很好的表达。
2、介绍Factorization Machines和DNN
（1）Factorization Machines 因式分解机
因式分解机是在LR的基础之上，增加一个二阶交叉特征。其表达式如下所示：
其中，vi和vj是通过矩阵分解的方式得到。
（2）DNN
DNN实际上就会一个全连接的深度神经网络，该网络的特点主要是具有一定的层数，层与层之间是全连接的。
3、NFM网络及其原理
（1）NFM的原理和表达式：
从表达我们可以看出，其基本形式与FM是一致的，区别在于最后一项，NFM使用的是一个f(x)来表示，实际上该f(x)是一个统称，他表示的一个网络的输出。该网络如下所示：
从f(x)的网络结构我们同样可以看出，其主要解决的问题就是二阶交叉项的问题。其结构是：
1）第一层是输入层/，即输入category feature
2）第二层Embeding，对category feature进行编码
3）第三层是二阶交叉项层，该层论文中主要是通过网络得到二阶交叉特征，计算方式：（a+b）^2-a*b 得到二阶交叉项
4）DNN层，该层是通过DNN提取高阶特征
以上就是NFM的基本原理和网络结构。
4、实验部分
实验部分主要用了两个数据集，分别如下：
实验结构如下所示：
5、感悟
从该论文内容来看，基本上还是围绕着怎么解决（1）category feature 编码的问题和（2）获取高阶特征，通过神经网络来优化FM，提出了一个NFM的网络结构。论文主要创新点是：
1、Embeding
2、将二阶交叉特征通过DNN提取高阶特征
