在深度学习推荐系统的探索中，DeepFM模型与DSSM模型各展所长，以高效预测用户点击行为为己任。
DeepFM模型，如同一场精妙的融合，将FM（Factorization Machines）的低阶特征处理与DNN（Deep Neural Networks）的高阶非线性捕捉合二为一。它巧妙地解决了LR（Logistic Regression）中的特征交叉难题，对于处理稀疏数据和高维特征问题游刃有余。FM层聚焦于二阶特征的精确捕捉，而DNN层则负责处理复杂的非线性关系，免去了繁琐的手动特征工程，训练速度显著提升。模型的损失函数采用Binary Cross Entropy，衡量着模型的对数概率和预测精度。
至于AUC（Area Under Curve）这一评价指标，通过paddle.metric.Auc()函数调用，它在评估二分类模型的性能时扮演着重要角色。DeepFM在与高阶/低阶特征、以及特征工程的对比中，以其在Company*和Criteo数据集上的优秀表现脱颖而出，证明了其强大的预测能力。
DSSM（Deep Structured Semantic Model），则专为搜索引擎的语义理解而生，PaddleRec的实现独具匠心。它的设计包含输入层（利用英文的word hashing处理，中文则无须分词）、表示层和匹配层，通过这种简化的映射方式，减少了空间需求并增强了数据规范化。对于中文，DSSM采用单字最小粒度的1.5万维字向量，BOW（Bag of Words）策略舍弃了位置信息，而DNN则负责深化表示，生成128维的语义向量，用于计算Query-Doc的相似度。
在训练过程中，DSSM采用softmax和极大似然估计，负样本仅用于反向传播中的loss计算。这种设计的优势在于减少对切词的依赖，增强了模型的泛化性能，避免了无监督映射中的潜在误差。然而，它也面临着丧失语序和上下文信息的局限，使得预测结果的可控性受到影响。要深入了解这两种模型的详细信息，不妨关注我们的公众号“汀丶人工智能”。
综上，DeepFM与DSSM在推荐系统中各具特色，它们的优缺点及应用场景的适应性，为深度学习在个性化推荐中的应用提供了丰富的视角。深入研究这些模型，无疑将有助于我们更好地理解用户行为并提升推荐系统的精准度。