Die Vorhersage der Klickrate (Click-Through Rate, CTR) ist eine zentrale Aufgabe in heutigen kommerziellen Empfehlungssystemen. Feature-Crossing, als zentrales Forschungsfeld im Bereich der CTR-Vorhersage, hat vielversprechende Ansätze zur Verbesserung der Vorhersageleistung eröffnet. Obwohl verschiedene Modelle in der Lage sind, Feature-Interaktionen ohne manuelle Merkmalsingenieurarbeit zu lernen, versuchen sie selten, individuelle Darstellungen für unterschiedliche Merkmalsstrukturen separat zu erlernen. Insbesondere liegt ihr Fokus hauptsächlich auf der Modellierung von Kreuzungen seltener (sparse) Merkmale, während die gezielte Darstellung von Kreuzungen dichter (dense) Merkmale vernachlässigt wird. Ausgehend von diesem Ansatz entwickeln wir ein neuartiges Extremes Cross-Netzwerk, abgekürzt XCrossNet, das darauf abzielt, Interaktionen zwischen dichten und dünnen Merkmalen explizit zu lernen. Als merkmalsstrukturentorientiertes Modell ermöglicht XCrossNet eine ausdrucksstärkere Repräsentation und präzisere CTR-Vorhersagen, die nicht nur explizit und interpretierbar sind, sondern auch zeiteffizient und einfach implementierbar. Experimentelle Studien am Criteo Kaggle-Datensatz zeigen eine signifikante Verbesserung von XCrossNet gegenüber aktuellen State-of-the-Art-Modellen sowohl hinsichtlich Effektivität als auch Effizienz.