تنبؤ استجابات المستخدمين، مثل النقرات والتحويلات، له أهمية كبيرة وقد وجد استخدامه في العديد من تطبيقات الويب، بما في ذلك أنظمة التوصية والبحث على الويب والإعلان عبر الإنترنت. البيانات في هذه التطبيقات تكون غالبًا فئوية وتتضمن حقولًا متعددة؛ تمثيل نموذجي هو تحويلها إلى تمثيل خاص مميز ثنائي نادر الأبعاد عالية البعد من خلال الترميز الفردي (one-hot encoding). عند التعامل مع الندرة الشديدة، قد تحد النماذج التقليدية من قدرتها على استخراج الأنماط السطحية من البيانات، أي مجموعات الخصائص من الرتب المنخفضة. ومع ذلك، لا يمكن تطبيق النماذج العميقة مثل الشبكات العصبية العميقة مباشرة للإدخال ذي الأبعاد العالية بسبب المساحة الكبيرة للخصائص. في هذا البحث، نقترح شبكات عصبية قائمة على الضرب (Product-based Neural Networks - PNN) مع طبقة غمر لتعلم تمثيل موزع للبيانات الفئوية، وطبقة ضرب لالتقاط الأنماط التفاعلية بين الفئات داخل الحقول المختلفة، بالإضافة إلى طبقات متصلة بالكامل لاستكشاف التفاعلات ذات الرتب العليا بين الخصائص. نتائج تجاربنا على مجموعتين كبيرتين من بيانات النقرات الإعلانية الحقيقية تظهر أن شبكات PNN تتخطى باستمرار أفضل النماذج الحالية في مختلف المقاييس.