XCrossNet: التعلم الموجه هيكل الميزة لتقدير معدل النقر

تنبؤ معدل النقر (CTR) يُعد مهمة أساسية في أنظمة التوصية التجارية الحديثة. وقد أظهر تقاطع الميزات، كاتجاه رئيسي في أبحاث تنبؤ CTR، طريقًا واعدًا لتعزيز الأداء التنبؤي.على الرغم من أن النماذج المختلفة قادرة على تعلّم تفاعلات الميزات دون الحاجة إلى هندسة يدوية للميزات، إلا أنها نادرًا ما تحاول تعلّم تمثيلات منفصلة لمختلف هياكل الميزات.وبشكل خاص، تركز هذه النماذج بشكل رئيسي على نمذجة الميزات النادرة المتداخلة، وتتجاهل تمثيلًا خاصًا للميزات الكثيفة المتداخلة.مُحفَّزةً بهذا الواقع، نُقدّم شبكة تقاطع متطرفة جديدة، تُختصر بـ XCrossNet، والتي تهدف إلى تعلّم تفاعلات الميزات الكثيفة والنادرة بطريقة صريحة.تُعد XCrossNet نموذجًا مُوجَّهًا نحو بنية الميزات، مما يؤدي إلى تمثيل أكثر تعبيرًا وتنبؤًا دقيقًا بـ CTR، وهو ليس فقط صريحًا وقابلًا للتفسير، بل أيضًا فعّالًا من حيث الوقت وسهل التنفيذ.أظهرت الدراسات التجريبية على مجموعة بيانات Criteo Kaggle تحسنًا ملحوظًا لـ XCrossNet مقارنةً بالنماذج الرائدة من حيث الكفاءة والفعالية.