Das Erlernen komplexer Merkmalsinteraktionen hinter Benutzerverhalten ist entscheidend für die Maximierung des Click-Through-Rates (CTR) in Empfehlungssystemen. Trotz erheblicher Fortschritte scheinen bestehende Methoden einen starken Bias gegenüber niedrigen oder hohen Interaktionsordnungen zu haben oder erfordern umfangreiche Feature Engineering. In dieser Arbeit zeigen wir, dass es möglich ist, ein end-to-end Lernmodell abzuleiten, das sowohl niedrige als auch hohe Merkmalsinteraktionen betont. Das vorgeschlagene Modell, DeepFM, kombiniert die Stärken von Faktorisierungs-Maschinen für Empfehlungen und tiefes Lernen für Merkmalslernen in einer neuen neuronalen Netzarchitektur. Im Vergleich zum neuesten Wide & Deep Modell von Google hat DeepFM eine gemeinsame Eingabe für seine „breite“ und „tiefe“ Komponente, wobei neben den rohen Features keine zusätzliche Feature Engineering erforderlich ist. Umfassende Experimente wurden durchgeführt, um die Effektivität und Effizienz von DeepFM bei der CTR-Vorhersage im Vergleich zu bestehenden Modellen sowohl auf Benchmarks-Daten als auch auf kommerziellen Daten zu demonstrieren.