FinalMLP：一种用于点击率预测的增强型双流MLP模型

点击率（Click-Through Rate, CTR）预测是在线广告与推荐系统中的核心任务之一。尽管多层感知机（Multi-Layer Perceptron, MLP）作为众多深度CTR预测模型的核心组件，已有广泛研究指出，单纯使用原始MLP网络在学习特征间的高阶乘积交互方面效率较低。为此，研究者提出了多种双流交互模型（如DeepFM、DCN等），通过将MLP网络与另一专用网络相结合，以提升CTR预测性能。由于MLP流主要隐式地学习特征交互，现有研究大多聚焦于在互补流中增强显式的特征交互。然而，我们的实证研究表明，一个经过充分调优的双流MLP模型——仅由两个MLP简单组合而成——即可实现令人惊讶的优异性能，这一现象此前尚未被已有研究报道。基于这一发现，我们进一步提出特征门控（Feature Gating）与交互聚合（Interaction Aggregation）两层结构，可轻松集成至双流MLP模型中，构建出增强型模型FinalMLP。该设计不仅支持对不同特征输入进行差异化处理，还能有效融合两个流之间的层级交互信息。在四个公开基准数据集上的评估结果，以及在工业系统中开展的在线A/B测试均表明，FinalMLP在性能上优于多种复杂的双流CTR模型。相关源代码将发布于MindSpore/models仓库中。