Die Klick-Through-Rate (CTR)-Vorhersage intelligenter Marketing-Systeme ist von großer Bedeutung, wobei die Auswahl von Merkmalsinteraktionen eine zentrale Rolle spielt. Die meisten Ansätze modellieren Merkmalsinteraktionen durch vordefinierte Operationen unter fachlicher Anleitung, wobei unangemessene Interaktionen zusätzlichen Rauschanteil einführen und den Trainingsprozess komplizieren können. Um dies zu adressieren, zielt diese Arbeit darauf ab, das Modell adaptiv zu entwickeln, um unter Aufsicht der Aufgabe geeignete Operationen zur Interaktion von Merkmalspaaren auszuwählen. Inspiriert durch die natürliche Evolution stellen wir einen allgemeinen kognitiven Evolutions-Suchrahmen (Cognitive EvoLutionary Search, CELS) vor, wobei „kognitive Fähigkeit“ die Anpassungsfähigkeit von Organismen an ihre Umgebung bezeichnet. Konkret modellieren wir Interaktionen als Genome, Modelle als Organismen und Aufgaben als natürliche Umwelten. Analog zur Entwicklung der genetischen Anpassungsfähigkeit an die Umwelt diagnostizieren wir die Passgenauigkeit der Modelle, um die Überlebensraten von Organismen für die natürliche Selektion zu simulieren. Dadurch lässt sich ein Evolutionspfad planen und visualisieren, der eine intuitive Interpretation der Mechanismen hinter der Interaktionsmodellierung und -auswahl ermöglicht. Auf Basis des CELS-Rahmens entwickeln wir vier Implementierungen, darunter Suchverfahren auf Basis einzelner Individuen und auf Basis von Populationen. Wir zeigen, wie individuelle Mutationen und Populationskreuzung es CELS ermöglichen, diverse Modelle zu entwickeln, die für unterschiedliche Aufgaben und Daten geeignet sind, wodurch nutzbare Modelle bereitgestellt werden. Umfangreiche Experimente auf realen Datensätzen belegen, dass CELS die derzeit besten Ansätze deutlich übertrifft.