针对互联网快速发展导致的信息过载问题,已有众多专家和学者提出了很多有效的解决方案,其中最成功的就是推荐系统。点击率预测一直是推荐系统中一项关键的任务,它可以为用户提供准确的推荐提高用户体验。在推荐系统中线性回归模型和因子分解机模型的应用最为广泛。但是由于这两者都存在一定的不足之处,所以已经有很多研究者进行了改进。在点击率预测任务中,如何能够准确地提取用户特征组合信息显得尤为重要。由于注意力机制在自然语言处理和计算机视觉任务中的应用都取得了非常不错的效果,研究者们也开始将注意力机制引入到点击率预测领域中来更加准确地获得特征交互组合信息,可以通过利用多层注意力机制模块来显式地提取不同阶特征组合。另外,卷积神经网络一直是图像特征提取的有效手段,将卷积神经网络应用到点击率预测领域中来进行特征提取也是有效的方法。论文通过自注意力机制来显式地构建多阶特征交互信息并分别利用SENet和SKNet模型自动学习各个阶次特征信息的重要性来更加准确地提取高阶特征组合信息。同时,论文还提出了特征增强网络并将其作为增强点击率预测复杂模型的方法。在基于知识图谱的点击率预测模型中将尾实体集合当做图像数据。利用卷积神经网络进行特征提取并通过使用不同大小的卷积核来捕获不同感受野下的特征信息,并将融合了多种感受野信息的特征向量通过全连接神经网络来重建尾实体特征。