FLEN：利用领域实现可扩展的点击率预测

点击率（Click-Through Rate, CTR）预测是众多工业应用中不可或缺的核心组件，广泛应用于推荐系统与在线广告等领域。CTR预测系统通常基于多字段类别型特征，即每个特征均为类别型，且仅归属于一个特定字段。准确建模特征之间的交叉关系对于提升CTR预测精度至关重要。然而，若显式地建模所有特征交叉组合，将需要庞大的参数量，这在真实生产环境中难以实现可扩展性。本文提出一种新型的场增强嵌入网络（Field-Leveraged Embedding Network, FLEN），该模型已成功部署于美图（Meitu）的商业推荐系统中，并承担主要流量服务。FLEN创新性地引入了一种基于场的双向交互池化（field-wise bi-interaction pooling）机制。通过合理利用字段信息，该机制能够在参数量极少、计算复杂度可控的前提下，同时捕捉字段间与字段内的特征交叉关系，满足工业级应用对效率与性能的双重需求。我们进一步证明，多种前沿的CTR预测模型均可在该技术框架下进行统一表达。此外，本文还提出DiceFactor——一种新型的Dropout技术，旨在防止独立的潜在特征之间发生共适应（co-adaptation）问题，从而提升模型泛化能力。大量实验验证了FLEN的有效性与高效性，涵盖离线评估与在线A/B测试，均在真实生产系统中展开。实验结果表明，相较于上一版本模型（即NFM），FLEN在CTR指标上实现了5.19%的显著提升，同时仅需1/6的内存占用与计算时间，充分展现了其在实际应用中的优越性能与高性价比。