Die Vorhersage der Klickrate (CTR) ist eine entscheidende Aufgabe in Online-Werbungssystemen. Die meisten existierenden Methoden modellieren hauptsächlich das Verhältnis zwischen Merkmalen und CTR und leiden unter dem Problem der Datenknappheit. In dieser Arbeit schlagen wir DeepMCP vor, ein Modell, das andere Arten von Beziehungen modelliert, um informativere und statistisch zuverlässigere Merkmalsrepräsentationen zu lernen und somit die Leistungsfähigkeit der CTR-Vorhersage zu verbessern. Insbesondere besteht DeepMCP aus drei Teilen: einem Matching-Subnetz, einem Korrelations-Subnetz und einem Vorhersage-Subnetz. Diese Subnetze modellieren jeweils die Beziehungen zwischen Nutzer und Werbung, Werbung und Werbung sowie Merkmale und CTR. Wenn diese Subnetze unter der Aufsicht der Zielwerte gemeinsam optimiert werden, erlernen die gelernten Merkmalsrepräsentationen sowohl gute Vorhersagefähigkeiten als auch gute Repräsentationsfähigkeiten. Experimente mit zwei großen Datensätzen zeigen, dass DeepMCP mehrere state-of-the-art Modelle für die CTR-Vorhersage übertrifft.