La prédiction du taux de clic (CTR) joue un rôle essentiel dans les systèmes de recommandation et la publicité en ligne. Il est crucial de modéliser efficacement les interactions entre caractéristiques afin d’améliorer la performance des modèles de prédiction CTR. Toutefois, les méthodes existantes font face à trois défis majeurs. Premièrement, bien que la plupart des approches puissent capturer automatiquement des interactions de haut ordre entre caractéristiques, leur performance tend à décliner avec l’augmentation de l’ordre des interactions. Deuxièmement, ces méthodes manquent souvent de capacité à fournir des explications convaincantes des résultats de prédiction, en particulier pour les interactions de haut ordre, ce qui limite la confiance que l’on peut accorder à leurs prédictions. Troisièmement, de nombreuses méthodes souffrent de la présence de paramètres redondants, notamment dans la couche d’embedding. Ce papier propose une nouvelle méthode, appelée Gated Deep Cross Network (GDCN), ainsi qu’une approche de optimisation de dimension au niveau du champ (Field-level Dimension Optimization, FDO), afin de relever ces défis. Au cœur de GDCN se trouve le Gated Cross Network (GCN), qui capture explicitement les interactions de haut ordre entre caractéristiques et filtre dynamiquement les interactions les plus pertinentes grâce à une porte d’information à chaque ordre. Par ailleurs, l’approche FDO permet d’apprendre des dimensions condensées pour chaque champ en fonction de leur importance respective. Des expérimentations approfondies menées sur cinq jeux de données démontrent l’efficacité, la supériorité et l’interprétabilité de GDCN. En outre, nous validons l’efficacité de FDO pour apprendre des dimensions variées tout en réduisant le nombre de paramètres du modèle. Le code source est disponible à l’adresse suivante : \url{https://github.com/anonctr/GDCN}.