Die Vorhersage der Klickrate (Click-Through Rate, CTR) ist eine zentrale Aufgabe in Webanwendungen wie Online-Werbung und Empfehlungssystemen, deren Merkmale üblicherweise in mehrfachfeldiger Form vorliegen. Der Schlüssel dieser Aufgabe besteht darin, Merkmalsinteraktionen zwischen verschiedenen Merkmalsfeldern zu modellieren. Kürzlich vorgestellte tiefes Lernen-basierte Modelle folgen einem allgemeinen Paradigma: Roh-sparse, mehrfachfeldige Eingabemerkmale werden zunächst in dichte Feld-Embedding-Vektoren abgebildet und anschließend einfach verkettet, um in tiefe neuronale Netze (DNN) oder andere speziell entworfene Netzwerke zur Erfassung hochordniger Merkmalsinteraktionen eingespeist zu werden. Allerdings wird die einfache \emph{unstrukturierte Kombination} von Merkmalsfeldern unweigerlich die Fähigkeit einschränken, komplexe Interaktionen zwischen verschiedenen Feldern ausreichend flexibel und explizit zu modellieren.In dieser Arbeit schlagen wir vor, mehrfachfeldige Merkmale intuitiv in einer Graphstruktur darzustellen, wobei jeder Knoten einem Merkmalsfeld entspricht und verschiedene Felder über Kanten miteinander interagieren können. Die Aufgabe der Modellierung von Merkmalsinteraktionen lässt sich somit in die Modellierung von Knoteninteraktionen im entsprechenden Graphen überführen. Dazu entwickeln wir ein neuartiges Modell namens Feature Interaction Graph Neural Networks (Fi-GNN). Durch die starke repräsentative Kraft von Graphen kann unser vorgeschlagenes Modell nicht nur komplexe Merkmalsinteraktionen flexibel und explizit modellieren, sondern zudem eine gute Modellerklärbarkeit für die CTR-Vorhersage bieten. Experimentelle Ergebnisse auf zwei realen Datensätzen belegen die Überlegenheit gegenüber aktuellen State-of-the-Art-Verfahren.