XCrossNet：面向特征结构的点击率预测学习方法

点击率（Click-Through Rate, CTR）预测是当前商业推荐系统中的核心任务。特征交叉作为CTR预测研究的主流方向，展现出显著提升预测性能的潜力。尽管现有各类模型能够在无需人工特征工程的情况下学习特征交互，但它们通常缺乏对不同特征结构进行独立表示学习的机制。特别是，这些模型主要关注稀疏特征之间的交叉建模，而忽视了对密集特征交叉的专门表示。针对这一问题，本文提出一种新型的极端交叉网络（Extreme Cross Network），简称XCrossNet。该模型旨在显式地学习密集特征与稀疏特征之间的交互关系。作为面向特征结构的建模方法，XCrossNet能够实现更具表达力的特征表示，从而带来更精准的CTR预测效果。该方法不仅具备显式性与可解释性，同时在计算效率上表现优异，易于实现。在Criteo Kaggle数据集上的实验结果表明，XCrossNet在预测效果与运行效率两方面均显著优于现有最先进模型。