摘要

点击率（Click-Through Rate, CTR）预测在在线广告与推荐系统中占据核心地位，其预测性能直接影响用户的整体满意度以及企业的收益。尽管如此，CTR预测仍是当前研究的活跃领域，原因在于其需要基于稀疏且高维的特征，精准建模用户偏好，而多个特征之间的高阶交互关系往往会导致不同的预测结果。现有的大多数CTR预测模型均依赖单一的特征融合与交互学习策略。少数采用多种交互建模方式的模型，通常将每种交互视为相互独立的模块。本文提出一种新型模型——STEC，该模型在统一的架构中整合多种交互学习方法的优势。此外，STEC引入了来自不同阶次交互的残差连接机制，使得低阶交互信息能够直接作用于最终预测结果，从而显著提升模型性能。在四个真实世界数据集上的大量实验表明，得益于更强的表达能力，STEC在CTR预测任务上优于现有的最先进方法。