Factorization Machine (FM)는 특성 상호작용을 효과적으로 모델링하여 광범위하게 사용되는 지도 학습 접근 방식입니다. 그러나 FM과 그 많은 딥 러닝 변형 모델들이 성공적으로 적용되었음에도 불구하고, 모든 특성 상호작용을 동등하게 취급하면 성능이 저하될 수 있습니다. 예를 들어, 무용한 특성의 상호작용은 노이즈를 도입할 수 있으며, 서로 다른 특성들과 상호작용할 때 특정 특성의 중요성이 달라질 수도 있습니다. 본 연구에서는 이러한 문제점을 해결하기 위해 \emph{Interaction-aware Factorization Machine} (IFM)라는 새로운 모델을 제안합니다. 이 모델은 \emph{특성 측면}과 \emph{필드 측면}으로 구성된 Interaction-Aware Mechanism (IAM)을 도입하여 두 단계에서 유연한 상호작용을 학습합니다. 특성 측면은 주의 네트워크(attention network)를 통해 특성 상호작용의 중요성을 학습하며, 필드 측면은 특성 상호작용 벡터와 해당 필드 상호작용 프로토타입 사이의 매개변수화된 유사성을 통해 특성 상호작용 효과를 학습합니다. IFM은 더 구조화된 제어를 도입하고, 계층적인 방식으로 특성 상호작용의 중요성을 학습하여 특성별 및 필드별 수준에서 상호작용을 조정하는 데 더 큰 유연성을 제공합니다. 또한, 고차원적 상호작용을 포착하기 위해 더 일반화된 아키텍처를 제시하고 Interaction-aware Neural Network (INN) 및 DeepIFM을 제안합니다. IFM의 성능과 효율성을 더욱 향상시키기 위해 필드 측면 중요성을 기반으로 상호작용을 선택하는 샘플링 방안도 개발되었습니다. 두 가지 잘 알려진 데이터셋에서 얻은 실험 결과는 제안된 모델들이 최신 방법론들보다 우수함을 보여줍니다.