تُعتبر عملية تقدير معدل النقرات (Click-Through Rate) أمرًا حيويًا في نظم التوصيات والإعلانات، حيث تعتمد بشكل رئيسي على نمذجة التفاعلات بين الخصائص الفئوية المتعددة. في السنوات الأخيرة، تطورت الشبكات المتقاطعة (Cross Networks) بشكل كبير، مما أدى إلى تحسين قدرة التفاعل لنموذج واحد بعمق أكبر وعمليات متقاطعة أكثر تعبيرًا.

ومع ذلك، كان هناك تساؤل حول ما إذا كانت زيادة القدرة على التفاعل باستمرار هي الطريقة الأكثر فعالية لتحسين الأداء التنبؤي. وللأسف، تظهر الدراسات أن فوائد هذه الاستراتيجية تتناقص بسرعة حتى عندما تستمر القدرة في الزيادة.

لذا، تقدم البحث في اتجاه تكميلي يسمى "توسيع التقدير" (Estimator Scaling)، حيث يتم استخدام موارد إضافية لدمج نماذج تقدير متعددة بدلاً من توسيع نموذج واحد فقط. ومن خلال التحليل النظري، تبين أن المكاسب من توسيع التقدير ترتبط بمدى تنوع التوقعات المتاحة عبر تلك النماذج.

ولكن الاستفادة من هذا التنوع بطريقة بدائية يمكن أن تكون مكلفة، حيث أن النماذج المدربة بشكل مستقل توفر تنوعًا كبيرًا ولكن تكلفة النشر تتزايد مع زيادة عدد النماذج. ولذلك، تم اقتراح تنفيذ فعّال من حيث المعلمات لتوسيع التقدير يتضمن تنوعًا من مصادر تقدير متعددة دون الحاجة للحفاظ على نماذج كاملة متعددة.

بناءً على هذا المفهوم، تم تقديم نموذج RECursive Averaged Predictor (RECAP)، الذي يُعتبر نموذجًا متكررًا فعالًا من حيث المعلمات لتقدير معدل النقرات، حيث يعالج توسع التقدير على ثلاثة مستويات: التحسين عبر النماذج المدربة بشكل مستقل، ومتوسطات متحركة أسية على مسارات التدريب، والتجميع خلال مسارات الاستنتاج داخل هيكل متكرر مشتركة الوزن.

تظهر التجارب على عدة مؤشرات أداء جديدة، أن نموذج RECAP يحقق أداءً تنبؤيًا رائدًا بالمقارنة مع المعايير القياسية، مما يضعه في موقع متميز على واجهة الأداء-المعلمات.