Die Vorhersage der Klickrate (Click-Through Rate, CTR) ist eine entscheidende Aufgabe in personalisierten Informationsretrieval-Systemen, beispielsweise industrieller Empfehlungssysteme, Online-Werbung und Web-Suche. Die meisten bestehenden CTR-Vorhersagemodelle nutzen explizite Merkmalsinteraktionen, um die Leistungsgrenze durch implizite Merkmalsinteraktionen zu überwinden. Daher wurden tiefgreifende CTR-Modelle auf Basis paralleler Strukturen (z. B. DCN, FinalMLP, xDeepFM) vorgeschlagen, um gemeinsame Informationen aus unterschiedlichen semantischen Räumen zu erfassen. Diese parallelen Unterkomponenten verfügen jedoch über unzureichende überwachende Signale, was es schwierig macht, effizient wertvolle Merkmalsinteraktionsinformationen aus verschiedenen semantischen Räumen zu erfassen. Um dieses Problem zu lösen, schlagen wir ein einfaches, aber wirksames neues CTR-Modell vor: Contrast-enhanced Through Network for CTR (CETN), um die Vielfalt und Homogenität der Merkmalsinteraktionsinformationen zu gewährleisten. Konkret nutzt CETN produktbasierte Merkmalsinteraktionen und das Konzept der Augmentation (Störung) aus dem contrastiven Lernen, um verschiedene semantische Räume zu segmentieren, wobei jeder Raum unterschiedliche Aktivierungsfunktionen aufweist. Dadurch wird die Vielfalt der von dem Modell erfassten Merkmalsinteraktionsinformationen verbessert. Zudem führen wir selbstüberwachte Signale und durchgehende Verbindungen innerhalb jedes semantischen Raums ein, um die Homogenität der erfassten Merkmalsinteraktionsinformationen zu gewährleisten. Experimente und Untersuchungen an vier realen Datensätzen zeigen, dass unser Modell eine konsistente Überlegenheit gegenüber zwanzig Baseline-Modellen hinsichtlich AUC und Logloss aufweist.