一篇论文介绍自己所提出的工作时，往往会对已经有的共识进行省略。以及对创新点和做法进行描述的时候，通常是按照类别进行的，然而，复现论文时，需要知道所有的细节。
例如，假设我并不知道DeepFM是如何实现的，初次阅读DeepFM的文章时，需要先了解embedding是怎么进行的，了解什么是MLP等。并且需要知道DeepFM中各个网络结构的参数是如何设置的，需要输入什么已知的参数，怎么构造embedding的查询字典（id value - index - vector 对应关系字典）。
因此，可以将论文复现总结为以下步骤。
第一步 明确所有流程
如DeepFM模型，可先粗略分为输入数据构造、FM模型构造、Deep模型构造、损失函数确定等几个步骤。
输入数据构造
需要准备好ID信息，使用dict的方式，构建好输入数据，保存好一个所有id特征全部属性的map，使用map来获取每一个id特征的值对应的vector。
FM模型构造
FM本质上是一阶信息与二阶交叉信息的结合，可以实现大部分自动的特征工程操作。因此，可以手动计算每一阶的信息。
Deep模型构造
Deep层本质上是MLP，针对特征的高阶组合信息进行探索。
损失函数
损失函数对于模型而言，等于更新方向，因此选择一个好的损失函数有利于模型学习到好的参数。
第二步 调整数据与建立模型
准备数据，将数据准备为模型可以使用的模式，以及预处理。
类别数据
得到一个所有类别特征的全属性map数据。
连续数据
对连续数据进行标准化、缺失值填充、类型转换等。
建立模型
现在的框架都提供了实现好的层或者块，以供快速调用，并且效果通常比自己实现的要好。但同时，框架也提供了构件级别的API，可以实现从脚手架开始搭建自己的模型。
建议使用脚手架的方式去搭建自己的模型，这样有利于快速拆解和改变模型，加入自己想要的特殊结构等等，进行魔改。
第三步 训练模型并查找参数
显然，自己实现的模型验证时，通常没有论文中的精度，需要手动对参数进行寻优。因此，复现论文时，也不要忘记这一个步骤。