XCrossNet：クリック率予測における特徴構造指向学習

クリック率（CTR）予測は、現代の商業的レコメンデーションシステムにおける核心的なタスクである。特徴量のクロス（feature crossing）は、CTR予測に関する研究の主流であり、予測性能の向上に有望なアプローチを示している。さまざまなモデルが手動の特徴量エンジニアリングを必要とせずに特徴量間の相互作用を学習できるものの、異なる特徴量構造に対して個別に表現を学習しようとする試みはほとんど行われていない。特に、これらのモデルは主にスパースな特徴量のクロスをモデル化するに留まり、連続的（dense）な特徴量のクロスを特に表現する点に無関心である。このような状況を受けて、本研究では、密度型およびスパース型の特徴量相互作用を明示的に学習することを目的とした新たな「エクストリームクロスネットワーク（XCrossNet）」を提案する。XCrossNetは特徴量構造に注目したモデルとして、より表現力豊かな特徴表現と、より正確なCTR予測を実現する。このアプローチは、明示的かつ解釈可能であるだけでなく、計算効率も高く、実装も容易である。Criteo Kaggleデータセットを用いた実験により、XCrossNetが最先端モデルと比較して、効果性と効率性の両面で顕著な性能向上を示した。