记忆、分解，或保持朴素：用于点击率预测的最优特征交互方法学习

点击率（Click-Through Rate, CTR）预测是商业推荐系统中的核心任务之一，其目标是在给定用户与物品特征的前提下，预测用户点击某一特定物品的概率。由于特征交互能够引入非线性关系，因此被广泛用于提升CTR预测模型的性能。如何有效建模特征交互，已成为学术界与工业界共同关注的重要问题。当前主流方法大致可分为三类：（1）朴素方法，不显式建模特征交互，仅使用原始特征；（2）记忆型方法，将特征交互显式视为新特征，并为其分配可训练的嵌入向量（embedding）进行记忆；（3）因子分解型方法，通过学习原始特征的隐向量，并借助因子分解函数隐式建模特征交互。已有研究表明，仅采用上述任一方法单独建模特征交互均存在局限性，因为不同类型的特征交互具有各自独特的特性。为解决这一问题，本文提出一种通用框架——OptInter，该框架能够为每一种特征交互自动选择最合适的建模方式。值得注意的是，多种先进的深度CTR模型均可视为OptInter的具体实例。为实现OptInter的功能，我们进一步设计了一种自动学习算法，可动态搜索并确定最优的建模策略。我们在四个大规模真实数据集上进行了广泛的实验验证。结果表明，OptInter相较于表现最佳的现有深度CTR基线模型，性能提升最高可达2.21%。与同样优于基线的内存型方法相比，OptInter在显著提升性能的同时，参数量减少高达91%。此外，我们通过多组消融实验深入分析了OptInter各组件的贡献与影响。最后，本文还对OptInter的预测结果进行了可解释性讨论，揭示了其在不同交互模式下的建模偏好与决策逻辑。