يُعدّ اكتساب التفاعلات بين الخصائص أمرًا حاسمًا لتنبؤ معدل النقر (CTR) في أنظمة التوصية. في معظم النماذج العميقة الحالية، يتم إما تصميم التفاعلات بين الخصائص يدويًا أو ببساطة تعدادها. ومع ذلك، فإن تعداد جميع التفاعلات بين الخصائص يُحدث تكاليف كبيرة في الذاكرة والحساب. والأكثر سوءًا، قد تُدخل تفاعلات غير مفيدة ضوضاء وتعقّد عملية التدريب. في هذا العمل، نقترح خوارزمية ثنائية المراحل تُسمى "الاختيار التلقائي لتفاعلات الخصائص" (AutoFIS). تُمكن AutoFIS من تحديد التفاعلات المهمة بين الخصائص تلقائيًا لنماذج التحليل التجزئي (factorization models) بتكلفة حسابية تساوي تقريبًا تكلفة تدريب النموذج المستهدف حتى الوصول إلى التقارب. في المرحلة الأولى (مرحلة البحث)، بدلًا من البحث ضمن مجموعة منفصلة من التفاعلات المرشحة، نُرخّص الخيارات لتكون مستمرة من خلال إدخال معلمات معمارية. وباستخدام مُحسِّن منظم (regularized optimizer) على معلمات المعمارية، يمكن للنموذج التعرف تلقائيًا على التفاعلات الزائدة وإزالتها أثناء عملية التدريب. وفي المرحلة الثانية (مرحلة إعادة التدريب)، نحتفظ بمعلمات المعمارية كوحدة انتباه لتعزيز الأداء بشكل إضافي. أظهرت التجارب الخارجية على ثلاث مجموعات بيانات كبيرة (مBenchmark علنيان، وواحد خاص) أن AutoFIS تُحسّن بشكل ملحوظ نماذج تعتمد على FM. وقد تم نشر AutoFIS على منصة التدريب الخاصة بخدمة توصية متجر تطبيقات هواوي، حيث أظهر اختبار A/B على الإنترنت لمدة 10 أيام تحسنًا بنسبة 20.3% في معدل النقر (CTR) و20.1% في معدل التحويل (CVR) بالنسبة لنموذج DeepFM.