点击率（Click-Through Rate, CTR）预测在计算广告与推荐系统领域中占据核心地位。该领域已提出多种方法，包括逻辑回归（Logistic Regression, LR）、因子分解机（Factorization Machines, FM），以及基于深度学习的方法，如Wide&Deep、神经因子分解机（Neural Factorization Machines, NFM）和DeepFM等。然而，这些方法通常仅采用特征对之间的向量内积来建模特征交互，忽略了特征交互在不同语义空间中的差异性。为此，本文提出一种新型的张量化特征交互网络（Tensor-based Feature Interaction Network, TFNet），该模型引入操作张量，通过多个语义空间中的多切片矩阵，精细化地刻画特征间的交互关系。大量离线与在线实验结果表明，TFNet具备以下优势：1）在典型的Criteo与Avazu数据集上，显著优于多种对比方法；2）在腾讯最大中文应用推荐系统（Tencent MyApp）的在线A/B测试中，实现了显著的收入提升与点击率增长。