DeepCtr是一个简易的CTR模型框架，集成了深度学习流行的所有模型，适合学推荐系统模型的人参考。
我在参加比赛中用到了这个框架，但是效果一般，为了搞清楚原因从算法和框架两方面入手。在读代码的过程中遇到一些不理解的问题，所以记录在这里。
- dense_embedding和sparse_embedding的区别？
处理dense， 是将dense接全连接层变成embedding size的一个list，然后和sparse一样的操作 - concat_fun 这里是concat什么？fm的输入为什么需要concat？
原来是list,每一行是一个tensor，concat之后是tensor，每一行是tensor - tf.keras.layers.Flatten()(fm_input)
原先的embedding输入是[d,f,k],deep embedding是[d,f*k] - 这里的实现和我的实现不一样：
我的linear+interact+deep接入全连接层，将所有的特征接入全连接层, 但是根据根据论文和多家的博客来看，我之前理解的是错误的，正确的应该是 fm logit+deep logit，最后接全连接层。 同时AFM等多个模型都是这么处理的。
运行模型，每次结果不一样：
这个属于正常现象，尤其是数据不够充分的情况下，
主要原因是由于Tensorflow底层的多线程运行机制以及一些具有随机性的op和random seed导致的。
如果想让每次运行的结果尽量一致，可以考虑使用CPU运行程序，并且指定单线程运行，同时固定random seed，包括python自身的，Numpy的还有tensorflow的
总结这个框架：
- 整体结构清晰灵活，linear返回logit，FM层返回logit，deep包含中间层结果，在每一种模型中打包deep的最后一层，判断linear，fm和deep是否需要，最后接入全连接层。
- 主要用到的模块和架构： keras的Concatenate（list转tensor），Dense（最后的全连接层和dense），Embedding（sparse，dense，sequence），Input（sparse，dense，sequce）还有常规操作：优化器，正则化项
- 复用了重载了Layer层，重写了build，call，compute_output_shape，compute_mask，get_config
缺点：
- 给定的参数都是论文提供的参数，实际使用存在问题，都需要自己修改！
- 好多参数没有留接口，比如回归问题的loss 是mean_squared_error，只能通过硬写来修改参数
- 如果想实现自己的模型，复用这个框架，需要了解keras，同时改很多接口，时间代价较大。