تمثّل توقع معدل النقر (CTR) مكانة محورية في الإعلانات عبر الإنترنت وأنظمة التوصية، نظرًا لأن أداء توقع CTR يؤثر مباشرة على رضا المستخدمين وعائدات الشركات. ومع ذلك، لا يزال توقع CTR مجالًا نشطًا للبحث، نظرًا لصعوبة نمذجة تفضيلات المستخدمين بدقة بناءً على ميزات نادرة وعالية الأبعاد، حيث يمكن أن تؤدي التفاعلات من الدرجة العليا بين عدة ميزات إلى نتائج مختلفة.تعتمد معظم نماذج توقع CTR على استراتيجية واحدة فقط لدمج التفاعلات وتعلمها. أما النماذج القليلة التي استخدمت استراتيجيات متعددة لنمذجة التفاعلات، فقد عاملت كل تفاعل على أنه منفصل ذاتيًا. في هذه الورقة، نقترح نموذجًا جديدًا يُسمى STEC، الذي يستفيد من استراتيجيات تعلم التفاعلات المتعددة ضمن هيكل موحد واحد. بالإضافة إلى ذلك، يُقدّم نموذجنا اتصالات ترقيمية (residual connections) من تفاعلات مختلفة من الدرجات المختلفة، مما يعزز الأداء من خلال السماح للتفاعلات ذات المستويات الدنيا بالتأثير مباشرة على التوقعات. من خلال تجارب واسعة على أربع مجموعات بيانات حقيقية، نُظهر أن STEC يتفوق على الطرق الرائدة الحالية في توقع CTR بفضل قدرته التعبيرية الأقوى.