《Wide & Deep Learning for Recommender Systems》：Google，2016年提出，应用商店做排序；
《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》：华为，2017年提出，应用商店做排序；
LR: 优势是速度快，便于加特征，可解释;
FM: 二阶特征交叉；
Deep: 高阶特征交叉；
Wide&Deep:
wide侧：用特征工程做的交叉特征，仍然起作用；主要负责记忆功能，记住样本中出现过的特征交叉；
deep侧：有泛化功能，学习特征的embedding，泛化到那些未曾出现过的特征交叉。
x是wide侧特征，
是wide侧的低阶交叉特征，a(l)是deep侧输出结果；
记忆：倾向于给用户推他已经点击过的东西；
泛化：倾向于给用户推的东西更多样性；
谷歌应用商店：#开头的是数字；User Installed App是多个App(Multi-hot)，Impression App是当前要预测的曝光App，这两者的交叉特征送到wide侧；
wide部分用带L1正则化的FTRL优化，deep部分用AdaGrad优化，两个部分联合训练。
DeepFM:
红线是权重为1；FM层第一个元素"+"是所有1特征的一阶线性加权和，后面的"X"是所有1特征的二阶交叉加权和（用向量点乘实现，实际是矩阵分解）；
细节：
1）两种网络，**函数Relu效果好于tanh。
2）DeepFM每个隐层的unit在200到400之间效果最佳，相比wide&deep的unit数量要少一些。
3）两种网络，3层网络效果最佳。
4）在总的神经单元数量固定的情况下，constant结构效果最佳（constant表示每个隐层的unit数量相同）；而wide&deep采用的是塔式结构，越往上unit数量越少。
5）embedding维度：DeepFM的embedding维度为10，wide&deep的是32维，两个都不大。
实践中AUC涨幅：Wide&Deep比LR高2.7个百分点，DeepFM比Wide&Deep高0.6个百分点。