La prédiction du taux de clic (CTR) constitue une tâche centrale dans les systèmes de recommandation commerciaux actuels. La croisement de caractéristiques, qui représente la ligne directrice de la recherche en prédiction du CTR, a démontré une voie prometteuse pour améliorer les performances prédictives.Bien que divers modèles soient capables d’apprendre les interactions entre caractéristiques sans ingénierie manuelle, ils s’efforcent rarement d’apprendre individuellement des représentations pour différentes structures de caractéristiques. En particulier, ils se concentrent principalement sur la modélisation des caractéristiques creuses croisées, tout en négligeant la représentation explicite des caractéristiques denses croisées.Motivés par ce constat, nous proposons un nouveau réseau de croisement extrême, abrégé en XCrossNet, dont l’objectif est d’apprendre les interactions entre caractéristiques denses et creuses de manière explicite. En tant que modèle orienté vers la structure des caractéristiques, XCrossNet permet une représentation plus expressive et une prédiction du CTR plus précise. Ce modèle est non seulement explicite et interprétable, mais également efficace en temps et facile à implémenter.Des études expérimentales sur le jeu de données Criteo Kaggle montrent une amélioration significative de XCrossNet par rapport aux modèles de pointe en termes d’efficacité et d’efficacité computationnelle.