回答思路
概念：Deepfm（Deep Factorization Machine）即深度因子分解机，是华为的研究者2017年提出，基于wide&deep架构的改进你和优化的分类模型。因为对于wide&deep模型，仍然无法在工作中摆脱人工特征工程的辅助，且wide部分无法进行自动特征交叉，故deepfm方法应运而生。Deepfm可以看做是对wide&deep模型wide部分的改进，使用因子分解机模型代替传统的逻辑回归模型，这样可以直接通过对模型端到端的训练，无需人工设计组合特征，就可以实现模型自动提取二阶组合特征的效果。
其中，w_ij为二阶组合特征的权重，w_i为一阶特征的权重，w_0为线性模型中的偏置项，n为特征维度，x_i表示为训练样本第i维特征值。
由于二项组合特征权重系数的存在，需要引入大量参数进行训练，为降低模型训练复杂度，利用二阶组合特征权重矩阵的对称性质对矩阵进行分解，即w_ij=w_ji，和其稀疏性质，即大部分组合特征值是无意义的，权重系数w_ij实际为0， 
FM部分通过隐向量内积的形式学习二阶组合特征，即使训练数据中很少出现或未出现的特征交互形式，也可以哦通过FM被更好的学习，并且不会引入过大的权重参数矩阵。
Deep部分同wide&deep模型的deep部分相同，是一个多层前馈神经网络，用来学习高阶组合特征，特有之处在于：
（1）原始特征数据需要做嵌入层embedding表示，不管经过one-hot编码的原始稀疏向量的维度是多少，都是具有相同维度的嵌入层向量；
（2）作为在FM中的二阶组合特征权重被学习的隐向量，可用来将原始稀疏特征压缩为低维稠密向量，完成嵌入层表示:
Deep FM模型的训练过程包含了因子分解机部分，不需要使用因子分解机模型提前做预训练来获得嵌入层向量，可实现以端到端的方式来联合训练整体模型，可以同时学习低阶组合特征和高阶组合特征，不需要人工设计组合特征，FM部分和Deep部分可共享嵌入层输入，不再需要额外的特征处理。