يُعدّ توقع معدل النقر (CTR) مهمة حاسمة في الإعلانات الرقمية المُعلَنَة. وقد تم اقتراح الشبكات العصبية القائمة على التضمين (embedding-based neural networks) لتعلم التفاعلات الصريحة بين الخصائص من خلال مكوّن سطحي، والتّفاعلات العميقة باستخدام مكوّن شبكي عصبي عميق (DNN). ومع ذلك، فإن هذه النماذج المعقدة تُبطئ عملية الاستنتاج التنبؤي بمقدار مئات المرات على الأقل. ولحل مشكلة التأخير الكبير في وقت الخدمة واستهلاك الذاكرة العالي في بيئة التشغيل الفعلي، تقدّم هذه الورقة إطار عمل يُسمّى \emph{DeepLight} لتسريع توقعات معدل النقر من ثلاث جوانب: 1) تسريع استنتاج النموذج من خلال البحث الصريح عن تفاعلات مميزة بين الخصائص في المكوّن السطحي؛ 2) تقليل الطبقات والمتغيرات الزائدة داخل الطبقات (intra-layer) وبين الطبقات (inter-layer) في المكوّن DNN؛ 3) تعزيز التفرّع (sparsity) في طبقة التضمين للحفاظ على أكثر الإشارات تميّزًا. وبدمج هذه الجهود، تمكّن الطريقة المقترحة من تسريع استنتاج النموذج بنسبة 46 مرة على مجموعة بيانات Criteo وبنسبة 27 مرة على مجموعة بيانات Avazu، دون أي فقدان في دقة التنبؤ. مما يُمكّن من تنفيذ نماذج معقدة قائمة على التضمين في البيئة الإنتاجية لخدمة الإعلانات بنجاح.