CTR予測のためのより深く、軽量かつ解釈可能なクロスネットワークへ

クリック率（CTR）予測は、レコメンデーションシステムおよびオンライン広告において重要な役割を果たしている。CTRモデルの予測性能を向上させるためには、特徴量間の相互作用を効果的にモデル化することが不可欠である。しかし、従来の手法には以下の3つの大きな課題が存在する。第一に、多くの手法は高次元の特徴量相互作用を自動的に捉えることができるものの、相互作用の次数が高くなるにつれて性能が低下する傾向がある。第二に、既存の手法は特に高次元相互作用に対して、予測結果の解釈性を十分に提供できず、予測の信頼性に制約をもたらしている。第三に、多くの手法は特に埋め込み層において冗長なパラメータを抱えており、モデルの効率性に悪影響を及ぼしている。本研究では、これらの課題に対処するため、新規の手法として「ゲート付きディープクロスネットワーク（Gated Deep Cross Network, GDCN）」と「フィールドレベル次元最適化（Field-level Dimension Optimization, FDO）」を提案する。GDCNの中心構造であるゲート付きクロスネットワーク（Gated Cross Network, GCN）は、明示的な高次元特徴量相互作用を捉え、各次数ごとに情報ゲートを用いて重要な相互作用を動的にフィルタリングする。さらに、FDOアプローチを用いて、各フィールドの重要度に基づき、凝縮された次元を学習する。5つのデータセットを用いた包括的な実験により、GDCNの有効性、優位性および解釈可能性が実証された。また、FDOが多様な次元の学習を可能にし、モデルパラメータ数を削減する効果も確認された。実装コードは以下のURLから公開されている：\url{https://github.com/anonctr/GDCN}。