DeepFM 是“FM+DNN 共享嵌入” 的设计思路被后续众多模型借鉴（如 xDeepFM、AutoFM 等），成为推荐系统 / 在线广告的基础模型之一。核心优势：在无需人工特征工程的前提下，实现了低阶 + 高阶特征的端到端学习，兼顾效果、效率、工程落地性，这也是其至今仍被广泛应用的原因。适用场景：高维稀疏特征的点击率 / 转化率预测，如电商推荐、在线广告、APP 商店推荐等，是工业界落地的首选

阿里团队提出的DSIN模型创新性地从会话角度建模用户兴趣，解决了传统CTR预测中行为序列噪声和不连续性问题。该模型通过四层架构：1）按时间间隔划分行为序列为会话；2）采用带偏置编码的多头自注意力提取会话核心兴趣；3）用Bi-LSTM捕捉会话间兴趣演化；4）针对目标物品自适应激活相关会话兴趣。在阿里内部数据集和公开数据集上均取得SOTA效果，为推荐系统提供了更精准的用户兴趣建模方法。

DNN（深度神经网络）是一种多层结构的人工神经网络，通过输入层、隐藏层和输出层实现复杂数据处理。其核心原理包括前向传播的信息传递和反向传播的参数优化，利用激活函数、损失函数、优化器等组件提升性能。DNN具有强大的非线性拟合能力，可自动提取特征，广泛应用于图像分类、文本分析等领域，但也面临数据需求大、计算成本高等挑战。典型应用包括ResNet、机器翻译等。

本文系统介绍了行为序列向量化的方法与应用。基础方法包括元素Embedding+池化聚合（平均/最大/求和池化）和统计特征编码，适用于简单场景但会丢失顺序信息。进阶方法通过RNN/LSTM、CNN和Transformer等深度学习模型保留时序关联，其中Transformer凭借自注意力机制在捕捉长序列依赖方面表现最佳。实际应用中常组合多种方法，根据序列长度、模型复杂度等需求选择方案。核心原则是平衡顺

特征重要性评估方法主要分为四类：1. 模型内置方法（如树模型的Gini重要性、线性模型系数）；2. 统计方法（方差分析、卡方检验等）；3. 扰动法（置换重要性、Drop-column法）；4. SHAP值等博弈论方法。不同方法各有特点：树模型方法计算快但不适合高基数特征，线性方法仅适用于线性关系，SHAP能捕捉特征交互但计算量大。实际应用中需根据模型类型和需求选择合适方法，并注意特征归一化、非线性