本文提出了一个新的深度学习模型 DeepFM，既能够强调低阶特征交互，又能够强调高阶特征交互，接受的特征也不需要进行专业的工程处理。经过实验证明，DeepFM 比现有模型更有效和更高效用于 CTR 预测。

Mar, 2017

本文提出了 DeepFM 模型，结合了因式分解机和深度学习的能力，通过神经网络架构强调低阶和高阶特征交互，实现了无需特征工程的广泛学习框架，并且实验验证了 DeepFM 在 CTR 预测的效果和实际部署中的效果优于以往的模型。

Apr, 2018

使用 xDeepFM 模型，该论文提出了 DexDeepFM 模型来预测用户的正向反应概率，该模型引入了集成多样性和注意力机制来提高预测性能，这项工作在三个真实数据集上获得了良好实验结果。

Apr, 2021

本文提出了一种基于多项式交互网络的模型 xDeepInt，可用于学习在端到端方式中高阶矢量交互作用，并能平衡矢量与位交互作用的混合。通过将子空间交叉机制整合到模型中，我们可以在有限的订单内平衡二者特征交互的组合，并通过自定义的联合优化策略进行特征选择和交互选择，显著优于现有模型。

Jan, 2023

本文提出了 FiBiNET 模型，通过 Squeeze-Excitation 网络机制学习特征重要性，通过双线性函数有效地学习特征交互，结果显示该模型在真实数据集上的性能优于其他浅层模型和深度模型。

May, 2019

本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine（NFM），将因子分解机（Factorization Machines，FM）中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合，实验证明 NFM 在深度学习方法 Wide&Deep 和 DeepCross 的基础上，使用更浅的结构却提供更好的性能，在实际中更易于训练和调节。

Aug, 2017

本论文提出了一种基于图形结构和 GNN 特征汇聚策略相结合的 Graph Factorization Machine 方法，可以在处理高维度稀疏数据时有效地建模任意高阶特征交互，并具有优异的预测准确性。

May, 2021

本文介绍了一种新型深度神经网络 ——Deep & Cross Network (DCN)，能够在保留 DNN 模型优势的基础上，引入有效的交叉网络来学习有限次数特征交互，不需要进行手动特征工程，且几乎不会增加 DNN 模型的复杂性，针对 CTR 预测数据集和密集分类数据集进行了实验，结果表明该模型在模型精度和内存使用方面都优于当前最先进的算法。

Aug, 2017

本文提出了一种新的神经点击率模型 FAT-DeepFFM，该模型通过将 DeepFFM 与 CENet 场注意力机制结合起来以突出特征重要性，并在真实世界数据集上的实验结果表明，FAT-DeepFFM 在 CTR 预测任务方面的性能最好，并获得不同于现有方法的改进。

May, 2019

本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

Aug, 2017