Kombinatorische Merkmale sind für den Erfolg vieler kommerzieller Modelle entscheidend. Die manuelle Erstellung dieser Merkmale ist aufgrund der Vielfalt, des Umfangs und der Geschwindigkeit der Rohdaten in webbasierten Systemen meist mit hohen Kosten verbunden. Faktorisierungsmodelle, die Interaktionen durch Vektorprodukte messen, können Muster kombinatorischer Merkmale automatisch lernen und auch auf unbekannte Merkmale verallgemeinern. Angesichts des großen Erfolgs tiefer neuronaler Netze (DNNs) in verschiedenen Bereichen haben Forscher kürzlich mehrere DNN-basierte Faktorisierungsmodelle vorgeschlagen, um sowohl niedrig- als auch hochrangige Merkmalinteraktionen zu lernen. Trotz der starken Fähigkeit, eine beliebige Funktion aus Daten zu lernen, generieren einfache DNNs Merkmalinteraktionen implizit und auf Bit-Ebene. In diesem Artikel schlagen wir ein neues Compressed Interaction Network (CIN) vor, das darauf abzielt, Merkmalinteraktionen explizit und auf Vektorebene zu generieren. Wir zeigen, dass das CIN einige Funktionalitäten mit konvolutionellen Neuronalen Netzen (CNNs) und rekurrenten neuronalen Netzen (RNNs) teilt. Wir kombinieren ferner ein CIN mit einem klassischen DNN zu einem vereinten Modell und nennen dieses neue Modell eXtreme Deep Factorization Machine (xDeepFM). Einerseits kann das xDeepFM bestimmte beschränkt-gradige Merkmalinteraktionen explizit lernen; andererseits kann es beliebige niedrig- und hochrangige Merkmalinteraktionen implizit lernen. Wir führen umfassende Experimente mit drei realweltlichen Datensätzen durch. Unsere Ergebnisse belegen, dass xDeepFM die besten bisherigen Modelle übertrifft. Den Quellcode von xDeepFM haben wir unter \url{https://github.com/Leavingseason/xDeepFM} veröffentlicht.