本文研究赞助产品优化中的多个问题，包括基于位置的去偏差、点击 - 转化多任务学习和预测点击率（pCTR）的校准。我们提出了一个实用的机器学习框架，可以解决这些问题，而不改变现有机器学习模型的结构，并可以与大多数机器学习模型结合使用。我们在真实世界的在线购物网站上评估了我们的提出的实用框架，证明它可以解决广告系统中的固有问题，并为多个评估指标带来增益。

Apr, 2023

本文利用神经网络对数字营销进行优化，建立了能够对用户在线行为模型的模型，在此基础上利用蒙特卡罗模拟预测未来潜在客户的转化率。

Apr, 2018

本文提出两种使用深度神经网络来预测用户响应的新模型，通过三种特征转换方法的借助，能够自动学习有效的分类特征交互模式，并对用户的广告点击进行预测。大规模的实验表明，我们的方法比现有主流模型更好。

Jan, 2016

本研究提出了一种多头建模方法，通过将转化 quantizes 成多个时间窗口来解决线上广告转化预测中标签新鲜度和滞后性之间的挑战，并实验证明其在转化率（CVR）和每次点击价值（VPC）预测方面表现大大优于已知方法。

May, 2022

本研究通过综述在线广告平台中利用机器学习方法的用户响应预测，提出分类方法，介绍用户数据可用性、特点以及现有挑战，并探讨相关应用和数据集，旨在分析在线广告生态系统的相关方和方法。

Jan, 2021

使用自监督预训练的方法来改善在线广告系统中的点击率预测模型，通过训练一个辅助自编码器模型来丰富主要的点击率预测模型，提高相关性、稳定性和网络规模，最终成功部署到 Yahoo 原生广告系统。

Jan, 2024

本研究提出了在销售促销过程中使用历史促销数据进行精准 CVR 预测的历史数据重用 (HDR) 方法。HDR 方法通过数据检索模块、分布偏移校正模块和 TransBlock 模块实现。实验结果表明，HDR 方法可以显著提高排名和校准度指标，此方法已在阿里巴巴的展示广告系统中部署，并在 2022 年的双 11 促销中提高了 %9 的 RPM 和 %16 的 CVR。

May, 2023

利用机器学习技术，该研究分析了市场营销中的机器学习技术，如支持向量机、深度学习和生存模型，以预测个体的购买决策。研究发现，DeepSurv 模型预测购买完成度最好，这些洞见可帮助营销人员提高转化率。

Aug, 2023

该研究提出了一种神经网络模型，用于准确预测电子商务中的购物意愿，并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题，同时，多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联，取得了 98％与先进技术相当、甚至超过先进技术的分类准确率，无需进行特定领域或数据集相关的特征工程。

Jul, 2018

通过整合新闻详情中真实生活事件、历史销售数据、节假日信息以及 Google Trends 产品趋势数据，提出了一种多模式销售预测网络，该网络在超市实际数据集中比现有的销售预测技术具有统计显著性的改进，平均 SMAPE 误差率提高了 7.37％。

Oct, 2022