模型结构：
和一般的DNN模型比起来，DeepFM模型的input要经过一个FM层，同时经过DNN层，最后FM层和DNN层的结果加起来成为logits。
模型目的：
DeepFM可以看作是对Deep&Wide model的改进，将wide layer从linear改成了fm。DNN擅长高阶特征的交叉；FM则可以增强低阶特征的交叉，极大简化feature engineering的work。
FM的结构：
第一部分：一个简单的线性变化
第二部分：FM部分的特征交叉，看起来复杂度是O(kn²)，但可以通过一定运算简化成O(kn)，原理是：
ab = 1/2 [(a+b)²-(a²+b²)]
工程实现上，a可以看做input vector，b则是参数V.
Comment：
在实际应用中，这个模型也会增加serving costs。在大公司里，如果feature engineering已经非常完善了，开发了很多交叉特征，那么FM低阶特征交叉的好处比起它的serving costs是否就不这么明显了？
