摘要

点击率（Click-Through Rate, CTR）预测在推荐系统与在线广告中扮演着至关重要的角色。为了提升CTR模型的预测性能，有效建模特征之间的交互关系尤为关键。然而，现有方法面临三大挑战：首先，尽管多数方法能够自动捕捉高阶特征交互，但随着特征交互阶数的增加，其性能往往显著下降；其次，现有方法缺乏对预测结果的可信解释能力，尤其在高阶特征交互方面，这限制了模型预测结果的可信赖性；第三，许多方法存在冗余参数问题，尤其是在嵌入层中，导致模型复杂度高、泛化能力受限。针对上述问题，本文提出一种新型方法——门控深度交叉网络（Gated Deep Cross Network, GDCN），并引入一种场级维度优化（Field-level Dimension Optimization, FDO）策略。GDCN的核心结构为门控交叉网络（Gated Cross Network, GCN），该结构能够显式地捕捉高阶特征交互，并在每一阶交互中通过信息门机制动态筛选出重要的交互项，从而提升模型表达能力。此外，FDO策略根据各特征字段的重要性，自适应地学习其压缩后的低维表示，有效降低模型参数量并提升特征表示效率。在五个公开数据集上的大量实验结果表明，GDCN在预测性能、模型优越性以及可解释性方面均表现优异。同时，我们验证了FDO在学习多样化特征维度和显著减少模型参数方面的有效性。相关代码已开源，可访问：\url{https://github.com/anonctr/GDCN}。