Factorization Machine (FM) は、特徴量の相互作用を効果的にモデル化することにより、広く使用されている教師あり学習手法です。しかし、FM およびその多くの深層学習変種が成功裏に応用されつつある一方で、すべての特徴量相互作用を平等に扱うことは性能を低下させる可能性があります。例えば、無駄な特徴量の相互作用はノイズを導入する可能性があり、異なる特徴量との相互作用において特徴量の重要度も異なる場合があります。本研究では、Interaction-Aware Mechanism (IAM) を導入することで、\emph{Interaction-aware Factorization Machine} (IFM) という新しいモデルを提案します。IAM は \emph{特徴量側面} と \emph{フィールド側面} の2つのレベルで柔軟な相互作用を学習します。特徴量側面では、注意ネットワークを通じて特徴量相互作用の重要度を学習し、フィールド側面では、対応するフィールド相互作用プロトタイプとの特徴量相互作用ベクトルのパラメトリック類似性として特徴量相互作用効果を学習します。IFM はより構造化された制御を導入し、階層的な方法で特徴量相互作用の重要度を学習することで、特徴量レベルとフィールドレベルの両方での相互作用調整に余地を与えます。さらに、高次の相互作用を捉えるためにより一般的なアーキテクチャを提供し、Interaction-aware Neural Network (INN) および DeepIFM を提案します。IFM の性能と効率をさらに向上させるためには、フィールド側面の重要度に基づいて相互作用を選択するサンプリングスキームを開発しました。2つの著名なデータセットからの実験結果は、提案されたモデルが最先端の手法に対して優れていることを示しています。