CTR 예측을 위한 더 깊고 가볍고 해석 가능한 크로스 네트워크로의 전환

클릭률(Click-Through Rate, CTR) 예측은 추천 시스템 및 온라인 광고에서 핵심적인 역할을 한다. CTR 모델의 예측 성능을 향상시키기 위해서는 특성 간 상호작용을 효과적으로 모델링하는 것이 매우 중요하다. 그러나 기존의 방법들은 세 가지 주요한 과제에 직면해 있다. 첫째, 대부분의 기존 방법들은 고차원 특성 상호작용을 자동으로 포착할 수 있지만, 상호작용의 차수(순서)가 증가할수록 성능이 저하되는 경향이 있다. 둘째, 기존 방법들은 특히 고차원 특성 상호작용에 대해 예측 결과에 대한 설득력 있는 해석을 제공할 능력이 부족하여 예측 결과에 대한 신뢰도가 제한된다. 셋째, 많은 방법들이 임베딩 레이어에서 특히 부정확한 파라미터가 중복되어 존재하는 문제를 겪고 있다. 본 논문에서는 이러한 문제들을 해결하기 위해 새로운 방법으로 Gated Deep Cross Network(GDCN)과 Field-level Dimension Optimization(FDO) 기법을 제안한다. GDCN의 핵심 구조인 Gated Cross Network(GCN)은 명시적인 고차원 특성 상호작용을 포착하며, 각 차수마다 정보 게이트(Information Gate)를 통해 중요한 상호작용을 동적으로 필터링한다. 또한, 각 특성 필드의 중요도에 기반하여 축소된 차원을 학습하는 FDO 기법을 도입한다. 다섯 개의 데이터셋에 대한 종합적인 실험을 통해 GDCN의 효과성, 우수성 및 해석 가능성(해석가능성)을 입증하였다. 더불어 FDO 기법이 다양한 차원을 효과적으로 학습하고 모델 파라미터 수를 감소시키는 데 성공적임을 검증하였다. 코드는 \url{https://github.com/anonctr/GDCN}에서 공개되어 있다.