要約
クリック率（CTR）予測は、オンライン広告およびレコメンデーションシステムにおいて中心的な役割を果たしており、CTR予測の精度がユーザーの満足度や企業の収益に直接影響を与えるため、その重要性は極めて高い。しかし、CTR予測は依然として活発な研究テーマであり、スパースかつ高次元な特徴に基づいてユーザーの嗜好を正確にモデル化する必要があり、複数特徴間の高次相互作用が異なる結果をもたらす可能性があるため、その課題は依然として複雑である。従来のCTR予測モデルの多くは、単一の特徴融合および相互作用学習戦略に依存していた。複数の相互作用モデリング戦略を採用したモデルも存在するが、それらは各相互作用を独立した単位として扱うことが一般的であった。本研究では、複数の相互作用学習アプローチの利点を統合した単一の統一アーキテクチャで活用できる新たなモデル「STEC」を提案する。さらに、異なる次数の相互作用から残差接続（residual connections）を導入することで、低次元の相互作用が予測に直接影響を与えることが可能となり、モデル性能の向上が実現された。4つの実世界データセットを用いた広範な実験の結果、STECはその高い表現力により、既存の最先端手法を上回ることを示した。