跪求老师出版实体书，感觉太有收获了

老师，现在项目中用的gbdt还是fm,两者比较呢

DNN虽然可以自动做一些feature engineering的工作，但是对于大型系统来讲，还是规定一些feature，将这一部分单独拿出来做之后共享给其他组，之后各个组的工作才能对接，对接之后fine-tune的可解释性也强，如果大家都用DNN，那么就是一个黑盒子加一个黑盒子，有可能输入输出还不一样，到时候融合对接都成问题。所以DNN作为一个超级function approximator在工业界还是应该比较适用于小型独立的项目，项目组之前各个组之间feature的统一提取，或者是之后作为项目最后的决策层。

目前看起来，模型从简单到强大，一次是LR、GBDT+LR、GBDT+FM、DNN；
那是不是直接上DNN最好呢？
我的理解并不是，如果数据量很小使用DNN会容易过拟合；
因此，简单的就选GBDT+LR、复杂的就选DNN；

老师，使用了两两特征组合后，逻辑回归从线性模型变成了非线性模型，因此模型表现的更好，可以这样理解吗？

对于只留下用户 ID 和电影 ID的公式来说，那两个隐因子不是一般的向量？而是两个隐因子矩阵？

老师，没有扩展开来，现在比较流行的是deepFM和deepFFM，把每个特征做embedding，老师，想问下FM有什么开源的python包吗？

感觉现在周围一般的机器学习实践GBDT用的更多一点。没和实践过推荐系统的人直接交流过，不知道因子分解机除了预测点击率外，对什么场景效果优于其他的特征组合方法。现在陈老师的理论讲得通俗易懂，不过自己编程和工程实践训练不够，实践还不知道如何入手。用哪套数据，哪套来源工具包，阅读哪套源码来学习实践还没有认知。

后边会说到deepfm fnn 这些模型吗？