クリック・スルー率（CTR）予測は、オンラインディスプレイ広告において重要なタスクである。これまでに、浅層部を用いて明示的な特徴間相互作用を学習し、深層ニューラルネットワーク（DNN）部を用いて深層の特徴間相互作用を学習する、埋め込みベースのニューラルネットワークが提案されてきた。しかし、こうした高度なモデルは、予測推論を少なくとも数百倍遅くしてしまうという課題を抱えている。本稿では、本番環境における広告配信における著しいサービング遅延および高メモリ使用量という問題に対処するため、\emph{DeepLight}というフレームワークを提案する。本フレームワークは、以下の3つの観点からCTR予測の高速化を実現する：1）浅層部において、有益な特徴間相互作用を明示的に探索することでモデル推論を高速化；2）DNN部において、層内および層間レベルで冗長な層やパラメータを削減；3）埋め込み層のスパース性を促進し、最も判別力のある信号を保持。上記の取り組みを統合することで、提案手法はCriteoデータセット上で46倍、Avazuデータセット上で27倍の推論速度向上を達成しつつ、予測精度に一切の損失を生じさせない。これにより、複雑な埋め込みベースのニューラルネットワークを本番環境での広告配信に成功裏に導入する道が開かれた。