يلعب توقع معدل النقر (Click-Through Rate, CTR) دورًا جوهريًا في أنظمة التوصية والإعلانات عبر الإنترنت. ومن الضروري نموذجًا فعّالًا لتفاعلات الميزات لتحسين أداء نماذج توقع CTR. ومع ذلك، تواجه الطرق الحالية ثلاث تحديات كبيرة. أولاً، رغم أن معظم الطرق قادرة على التقاط تفاعلات الميزات عالية الرتبة تلقائيًا، إلا أن أداؤها ينخفض مع زيادة رتبة التفاعلات. ثانيًا، تعاني الطرق الحالية من عدم القدرة على تقديم تفسيرات مقنعة لنتائج التوقع، خاصة بالنسبة لتفاعلات الميزات عالية الرتبة، مما يحد من مصداقية التوقعات. ثالثًا، تعاني العديد من الطرق من وجود معلمات زائدة، وبخاصة في طبقة التضمين (embedding layer). في هذا البحث، نقترح طريقة جديدة تُسمى الشبكة العميقة المُقفلة عبر التفاعل (Gated Deep Cross Network, GDCN)، ونهجًا يُسمى تحسين الأبعاد على مستوى الحقل (Field-level Dimension Optimization, FDO)، لمعالجة هذه التحديات. كهيكل رئيسي في GDCN، تُسمى الشبكة المُقفلة عبر التفاعل (Gated Cross Network, GCN) بتمكّن من التقاط تفاعلات الميزات عالية الرتبة بشكل صريح، وتُصفّي تفاعلات مهمة ديناميكيًا باستخدام "مُقفل معلوماتي" (information gate) في كل رتبة. بالإضافة إلى ذلك، نستخدم نهج FDO لتعلم أبعاد مختصرة لكل حقل بناءً على أهميته. تُظهر التجارب الشاملة على خمسة مجموعات بيانات فعالية وتفوّق وقابلية تفسير نموذج GDCN. علاوة على ذلك، نؤكد فعالية FDO في تعلُّم أبعاد مختلفة وتقليل عدد المعلمات في النموذج. يمكن الوصول إلى الكود من خلال الرابط التالي: \url{https://github.com/anonctr/GDCN}.