تُعد توقع معدل النقر (CTR) دورًا محوريًا في مجال الإعلانات الحاسوبية وأنظمة التوصية. وتم اقتراح عدة طرق في هذا المجال، مثل الانحدار اللوجستي (LR)، والآلات التحليلية (FM)، والطرق القائمة على التعلم العميق مثل Wide&Deep، والآلات التحليلية العصبية (NFM)، وDeepFM. ومع ذلك، فإن هذه الأساليب تستخدم عادةً جداء المتجهات لكل زوج من الخصائص، مما يتجاهل الفضاءات الدلالية المختلفة للتفاعلات بين الخصائص. في هذا البحث، نقترح نموذجًا جديدًا يُسمى شبكة تفاعل الخصائص القائمة على التنسور (TFNet)، والذي يُدخل تنسورًا تشغيليًا لوصف تفاعلات الخصائص من خلال مصفوفات متعددة الشرائح في فضاءات دلالية متعددة. تُظهر التجارب الميدانية والتجريبية عبر الإنترنت أن نموذج TFNet: 1) يتفوق على الطرق المقارنة المنافسة على مجموعتي بيانات Criteo وAvazu الشهيرتين؛ 2) يحقق تحسنًا كبيرًا في الإيرادات ومعدل النقر في تجارب A/B عبر الإنترنت ضمن نظام التوصية بأكبر تطبيق صيني، وهو Tencent MyApp.