2.1 xDeepFM算法原理
随着深度神经网络（DNN）在各个领域的巨大成功，研究人员提出了几种基于DNN的因式分解模型，以学习低阶和高阶特征相互作用。尽管DNN具有从数据中学习任意函数的强大功能，但该方法是隐式地在位级别上生成要素交互。学者们在DNN的基础上提出了一种新颖的压缩交互网络（CIN），该网络旨在以显式方式在矢量方式上生成特征交互，并进一步将CIN和经典DNN组合到一个统一模型中，并将此新模型命名为eXtreme Deep Factorization Machine（xDeepFM）[12]。在之前的特征交互算法中，已形成三个模块的内容，分别为嵌入层、隐式高阶交互和显式高阶交互。在这三个模块的基础上，提出了压缩交互网络。
