ユーザーの反応（クリック率やコンバージョン率など）を予測することは、ウェブ検索、パーソナライズされた推薦、オンライン広告などの多くのウェブアプリケーションにおいて重要です。画像や音声領域で一般的に見られる連続的な原始特徴とは異なり、ウェブ空間での入力特徴は常に多フィールドであり、主に離散的かつカテゴリカルであり、その依存関係はほとんど知られていません。主要なユーザー反応予測モデルは、線形モデルに制限するか、手動で高次組み合わせ特徴を構築する必要があります。前者は特徴間の相互作用を探求する能力を失い、後者は大規模な特徴空間での重い計算につながります。この問題に対処するために、我々は深層ニューラルネットワーク（DNNs）を使用してカテゴリカル特徴の相互作用から効果的なパターンを自動的に学習し、ユーザーの広告クリックを予測する2つの新しいモデルを提案します。DNNs を効率的に動作させるために、我々は3つの特徴変換手法を利用することを提案します。すなわち、ファクタリゼーションマシン（FMs）、制限ボルツマンマシン（RBMs）、およびデノイジングオートエンコーダー（DAEs）です。本論文では、我々のモデルの構造と効率的な学習アルゴリズムについて説明します。実世界データを使用した大規模な実験により、我々の方法が主要な最先端モデルよりも優れていることが示されています。