1：对于DeepFM来说，什么样的特征在手工cross后效果较好
答：在线性模型上表现特别强的特征，可以考虑手工cross
2：曝光位是否做了惩罚项
答：研究侧有做尝试，线下使用该特征训练，规避线上使用。工业场景没有相关使用
3：哪些特征适合做特征交叉
用户和item特征做交叉，可能会取得更好的效果
4：负采样的比例
正负样本一般在1:10左右，也可考虑做一些对比测试，进行调整
5：对于DeepFM来说，id类特征和序列型特征，如何判断其重要性，以及在深度模型中的影响有多大，哪些该使用个，哪些不该使用
可以考虑通过离散化后去判定重要性，使用该结果作为参考，但是这个离散化后的重要特征和模型预测效果没有直接的对应关系
6：对于DeepFM来说，embedding 维度，多大维度是合理的，32维是否合适，目前根据数据量和类别总数
常用的又8,16,32维，具体需要根据实际使用，进行对比测试
7：对于DeepFM来说，embedding是DNN和FM共享还是各自走各自比较好
数据比较多，特征比较多的情况下，FM和DNN分别走embeding层效果会好
8：对于DeepFM来说，特征工程当中，id类特征，离散型特征，连续性特征，如何处理比较合适
做OneHot后，embedding处理，连续性特征可考虑先进行粪桶；id类特征可以考虑取头部id，减少OneHot数量
9：对于DeepFM来说，隐藏层层数，每层神经元数量，多大合适（目前3层，256）
层数不建议太多，3层可以，神经元数量可进行尝试，如128，256等。
10：对于DeepFM来说，用户点击序列特征，如何处理合适
可参考DIN的处理方式
11：对于DeepFM来说，特征是否可以考虑做OneHot,如果可以，哪些特征适合做，哪些特征不适合做
一般来说，均要做OneHot，之后再进行embedding,不建议做哈希。
12：深度学习当中的损失函数如何选择才是最优解
选择余地不大，通常使用logloss和softmax