Les caractéristiques combinatoires sont essentielles pour le succès de nombreux modèles commerciaux. La création manuelle de ces caractéristiques est généralement coûteuse en raison de la variété, du volume et de la vitesse des données brutes dans les systèmes à l'échelle du Web. Les modèles basés sur la factorisation, qui mesurent les interactions en termes de produit vectoriel, peuvent apprendre automatiquement des motifs de caractéristiques combinatoires et généraliser aux caractéristiques non observées. Avec le grand succès des réseaux neuronaux profonds (DNNs) dans divers domaines, les chercheurs ont récemment proposé plusieurs modèles de factorisation basés sur les DNNs pour apprendre à la fois des interactions de caractéristiques d'ordre inférieur et supérieur.Dans cet article, nous proposons un nouveau réseau d'interaction compressée (CIN), visant à générer des interactions de caractéristiques de manière explicite et au niveau vectoriel. Nous montrons que le CIN partage certaines fonctionnalités avec les réseaux neuronaux convolutifs (CNNs) et les réseaux neuronaux récurrents (RNNs). Nous combinons ensuite un CIN et un DNN classique dans un modèle unifié, que nous appelons Machine Factorielle Profonde Extrême (xDeepFM). D'une part, l'xDeepFM est capable d'apprendre explicitement certaines interactions de caractéristiques d'un degré limité ; d'autre part, il peut apprendre implicitement des interactions de caractéristiques d'ordre inférieur et supérieur quelconques.Nous avons mené des expériences exhaustives sur trois jeux de données réels. Nos résultats démontrent que l'xDeepFM surpassent les modèles actuels les plus performants. Nous avons rendu disponible le code source de l'xDeepFM à l'adresse \url{https://github.com/Leavingseason/xDeepFM}.