摘要
点击率（Click-Through Rate, CTR）预测已成为众多实际应用场景中的核心任务，而排序模型能否有效捕捉复杂的高阶特征交互，对性能至关重要。目前，浅层前馈神经网络被广泛应用于多项前沿深度神经网络（DNN）模型中，如FNN、DeepFM和xDeepFM，以隐式方式建模高阶特征交互。然而，已有研究证明，依赖加性特征交互（尤其是前馈神经网络结构）在捕捉普遍存在的特征交互方面效率较低。为解决这一问题，本文提出一种基于实例引导掩码（instance-guided mask）的机制，将特定的乘法运算引入DNN排序系统中。该机制在特征嵌入层及前馈层中，根据输入实例动态引导执行逐元素乘积操作，从而更有效地建模特征间的非线性交互。此外，本文进一步提出一种名为MaskBlock的新结构，通过将层归一化（layer normalization）、实例引导掩码与前馈层有机结合，使DNN模型中的前馈层能够同时融合加性与乘性特征交互，从而增强模型表达能力。MaskBlock作为基础构建模块，支持在不同配置下灵活设计新型排序模型。基于MaskBlock构建的模型称为MaskNet。本文提出两种新型MaskNet模型，以验证MaskBlock作为高性能排序系统构建基元的有效性。在三个真实世界数据集上的实验结果表明，所提出的MaskNet模型显著优于当前先进模型（如DeepFM和xDeepFM），充分证明了MaskBlock作为新型高效基础单元，在构建高性能排序系统中的优越性。