摘要
点击率（Click-Through Rate, CTR）预测是个性化信息检索中的关键任务，广泛应用于工业级推荐系统、在线广告以及网络搜索等领域。现有大多数CTR预测模型通过显式特征交互来突破隐式特征交互带来的性能瓶颈。因此，基于并行结构的深度CTR模型（如DCN、FinalMLP、xDeepFM）被提出，旨在从不同语义空间中联合获取信息。然而，这些并行子模块缺乏有效的监督信号，导致难以高效捕捉不同语义空间中具有价值的多视角特征交互信息。为解决这一问题，本文提出一种简单而有效的新型CTR模型——用于CTR预测的对比增强通路网络（Contrast-enhanced Through Network, CETN），以确保特征交互信息在多样性与一致性之间取得平衡。具体而言，CETN结合基于乘积的特征交互机制与对比学习中的增强（扰动）思想，将不同语义空间进行划分，并为每个空间配置不同的激活函数，从而提升模型所捕获的特征交互信息的多样性。此外，我们在每个语义空间内部引入自监督信号与通路连接机制，以保证所提取特征交互信息的一致性。在四个真实数据集上的实验与分析表明，所提出的CETN模型在AUC和Logloss两个指标上均持续优于二十种基准模型，验证了其有效性与优越性。