تنبؤ معدل النقر (CTR) يُعد من المهام الأساسية في الإعلانات عبر الإنترنت والتوصية. وعلى الرغم من أن الشبكة العصبية متعددة الطبقات (MLP) تُشكّل عنصراً أساسياً في العديد من النماذج العميقة لتنبؤ CTR، إلا أن من المعروف على نطاق واسع أن استخدام شبكة MLP بسيطة وحدها يكون غير فعّال في تعلم تفاعلات الميزات الضربية. ولهذا السبب، تم اقتراح العديد من النماذج ذات التدفق المزدوج (مثل DeepFM وDCN)، والتي تدمج شبكة MLP مع شبكة مخصصة أخرى بهدف تحسين أداء التنبؤ بـ CTR. وبما أن التدفق الخاص بـ MLP يتعلم تفاعلات الميزات بشكل ضمني، فإن الدراسات الحالية تركز بشكل رئيسي على تحسين تفاعلات الميزات الصريحة في التدفق المكمل. في المقابل، تُظهر دراستنا التجريبية أن نموذج MLP ثنائي التدفق المُحسّن جيداً، الذي يجمع ببساطة بين شريحتين من MLP، يمكنه تحقيق أداءً مدهشًا ومتقدمًا، وهو ما لم يُبلغ عنه من قبل في الدراسات السابقة. استناداً إلى هذا الملاحظة، نقترح بدورنا طبقتي تمرير الميزات (feature gating) ودمج التفاعلات (interaction aggregation)، اللتين يمكن دمجهما بسهولة لتحسين نموذج MLP ثنائي التدفق، ونطلق عليه اسم FinalMLP. وبهذا، لا يُمكنه فقط تمكين إدخال ميزات مختلفة، بل يُمكنه أيضًا دمج تفاعلات المستويات بين التدفقين بشكل فعّال. تُظهر نتائج تقييمنا على أربع مجموعات بيانات مفتوحة معيارية، فضلاً عن اختبار A/B مباشر في نظامنا الصناعي، أن FinalMLP يتفوق في الأداء على العديد من النماذج المعقدة ذات التدفق المزدوج لتنبؤ CTR. وسيكون الشفرة المصدرية لنماذجنا متاحة على موقع MindSpore/models.