تنبؤ معدل النقرات (CTR) هو مهمة حاسمة في أنظمة الإعلان عبر الإنترنت. ومع ذلك، فإن العديد من الأبحاث تنظر إلى كل إعلان بشكل مستقل وتتجاهل علاقته بالإعلانات الأخرى التي قد تؤثر على معدل النقرات. في هذا البحث، ندرس أنواعًا مختلفة من الإعلانات المساعدة لتحسين تنبؤ معدل النقرات للإعلان المستهدف. بصفة خاصة، نستكشف الإعلانات المساعدة من وجهتي نظر: الأولى هي المجال المكاني، حيث نأخذ بعين الاعتبار الإعلانات السياقية المعروضة فوق الإعلان المستهدف على نفس الصفحة؛ والثانية هي المجال الزمني، حيث نأخذ بعين الاعتبار الإعلانات التي تم النقر عليها والإعلانات التي لم يتم النقر عليها في تاريخ المستخدم. الفكرة الأساسية هي أن الإعلانات المعروضة معًا قد تؤثر بعضها البعض، وأن الإعلانات التي تم النقر عليها تعكس تفضيلات المستخدم، بينما قد تشير الإعلانات التي لم يتم النقر عليها إلى ما يكرهه المستخدم إلى حد ما. لاستخدام هذه البيانات المساعدة بكفاءة، نقترح شبكات عصبية مكانيّة زمنية عميقة (DSTNs) لتنبوء معدل النقرات. يمكن لنموذجنا التعلم من التفاعلات بين كل نوع من البيانات المساعدة والإعلان المستهدف، التركيز على المعلومات الخفية الأكثر أهمية، ودمج البيانات غير المتجانسة في إطار عمل موحد. أظهرت التجارب خارج الخط على مجموعة بيانات عامة ومجموعتين صناعيتين أن DSTNs تتفوق على عدة طرق متقدمة أخرى لتنبوء معدل النقرات. لقد قمنا بتطبيق أفضل DSTN في محرك البحث شينما (Shenma)، وهو ثاني أكبر محرك بحث في الصين. أظهرت نتائج اختبار A/B أن معدل النقرات عبر الإنترنت قد تحسن بشكل كبير مقارنة بالنموذج الذي كان قيد الاستخدام سابقًا.