推荐系统排序阶段与DeepFM
解释推荐系统排序阶段的常见模型，重点介绍DeepFM如何自动学习特征交互。
回答
Yahuda
排序(Ranking) 阶段对召回候选精细打分，预估CTR/CVR。
经典模型演进：
- FM (Factorization Machine)：二阶特征交互，公式
ŷ = w₀ + Σwᵢxᵢ + ΣΣ<vᵢ,vⱼ>xᵢxⱼ - Wide & Deep (Google, 2016)：Wide部分记忆低频特征组合，Deep部分泛化未见过组合
- DeepFM (Huawei, 2017)：统一Wide&Deep，用FM替代Wide侧
DeepFM架构：
- FM部分：一阶+二阶特征交互（共享Embedding）
- Deep部分：DNN学习高阶特征交互
- 联合训练：
ŷ = sigmoid(y_FM + y_DNN)，端到端
优势：
- 无需手工特征工程
- FM捕获低阶交互，DNN捕获高阶交互
- 共享Embedding减少参数量
后续发展：
- xDeepFM：引入Compressed Interaction Network (CIN) 显式学习向量级交互
- DIN (Deep Interest Network)：引入注意力机制，关注用户历史行为中与候选物品相关的部分
- DIEN：用GRU建模用户兴趣演化
- 多目标排序：MMOE/PLE处理多种目标（点击、时长、互动等）