一、NFM模型
在FM模型中所谈到的局限性，无论是FM模型还是基于FM模型改造的FFM中，说到底还是一个二阶特征交叉的模型。若强行进行高阶特征交叉，那么大大的增加计算成本，可是如果不能进行更高阶特征组合，那么就会使得FM模型表达能力受阻。那么有没有一种可能，利用深度神经网络更强大的表达能力，使得FM模型能够解决这一缺点呢？在2017年，新加坡国立大学的研究人员进行了这方面的尝试，提出了NFM模型，这是FM模型的神经网络化的尝试。
NFM模型的paper地址如下： https://www.comp.nus.edu.sg/~xiangnan/papers/sigir17-nfm.pdf
NFM模型主要特点： 使用Bi-Interaction Layer（Bi-linear interaction）结构来对二阶交叉特征信息进行处理，使得交叉信息特征更好的被DNN结构学习，让表达能力更强的函数代替了原来FM中二阶隐向量内积部分。赋予了FM模型处理更高阶特征交叉的能力，同时使得DNN模型参数量减少，使得模型训练更便捷。
二、算法原理
NFM模型主要是使用Bi-Interaction Layer（Bi-linear interaction）结构来对二阶交叉信息进行处理。那么NFM公式定义如下：
其中 f ( x ) f(x) f(x)是使用Bi-Interaction Layer（Bi-linear interaction）结构来对二阶交叉信息进行处理得到的结果输入到DNN网络中。那么f(x)部分的结构图如下：
其中最Embedding Layer和B-interaction Layer部分理解，其它的就很容易理解了，就当做一个普通的DNN结构。
这部分可以参考DeepFM模型跟下图代码差不多。
三、小结
最后，NFM模型相关细节看该文献，这里就不多说了。