感觉自己有些没有回答全面，欢迎大神们赐教，感谢。

  1. FM 和 LR 最大的差异是什么？
  2. DeepFM 相比 FM 做了什么样的提升？
  3. DeepFM 相比 FM 是学到了一些高阶的特征组合，那用LR能不能实现相似的提升？
  4. 为什么CTR预估不直接用 LR 做？
  5. LR 相比 GBDT XGBoost 有哪些不足？
  6. 如何解决欠拟合？
  7. 假设一定要用LR 做 CTR预估，怎样做才能实现比较好的效果？
    （答：人工特征工程，做交叉特征。）
  8. 为什么要做交叉特征呢？特征组合的好处是什么？
  9. 数值编码、特征离散化的作用？
  10. 特征离散化的方法。
  11. 离群点对于LR的影响。
  12. 训练样本分布和测试样本分布不一致，应该怎样处理？
  13. 假设训练样本分布和测试样本分布不一致，测试样本有一些扰动，会遇到怎样的问题？
  14. 如何结果过拟合？
  15. L1正则和L2正则的差异
  16. DeepWalk的原理。
  17. DeepWalk 重新生成向量的目的是什么？
  18. CBOW与skip-gram区别？
  19. skip-gram 使用 softmax会遇到哪些问题？
  20. 神经网络中的Dropout与机器学习的哪种方法类似？
  21. 为什么神经网络会有梯度消失和梯度爆炸的问题，怎样解决？
  22. 机器学习 与 神经网络的优化算法？
  23. SGD的优缺点。
  24. 介绍 Adam 优化算法