本文提出了一种新的模型叫做 Feature Interaction Graph Neural Networks (Fi-GNN)，可以用于解决 Web 应用中在线广告和推荐系统等任务的 click-through rate（CTR）预测问题。该模型利用图的强大特征表示能力，可以灵活、明确地建模复杂的特征交互，同时还能提供很好的模型解释性，并在真实数据集上得到了优于现有技术的实验结果。

Oct, 2019

GateNet 模型提出了基于门控机制的神经网络 CTR 模型，引入特征嵌入门或隐藏门来提升模型性能，该模型在真实数据集上得到了有效验证。

Jul, 2020

本文研究了基于会话的下一个项目推荐，发现现有的生成模型和网络结构无法很好地建模项序列中的长距离依赖关系，因此提出了一种简单而有效的生成模型，用于学习从短时至长时的项目依赖的高级表示。文中提出的模型的网络结构由一堆突出卷积层（可以有效地增加感受野而不依赖于池化操作）组成，并在推荐系统中采用残差块结构，以便更深的网络优化。该模型在下一个项目推荐任务中具有最先进的准确性，训练时间较短，尤其是在存在长序列用户反馈的情况下表现出色。

Aug, 2018

本研究提出 Deep Multi-Representation (DeepMR) 模型，通过联合训练 DNN 和多头自注意力这两种功能强大的特征表示学习组件，以及使用零初始化的残差连接（ReZero）来提高输入表示的性能，在三个真实数据集上的 CTR 预测任务中超越了所有现有的最先进模型。

Oct, 2022

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

本文提出了一种新颖的基于张量的特征交互网络模型（Tensor-based Feature interaction Network，TFNet），通过多个语义空间中的多个多维矩阵，引入操作张量来阐述特征交互，从而在 CTR 预测、推荐系统等方面实现了更好的表现。

Jun, 2020

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

本文中提出了一种使用密集连接网络自动提取字符级特征的新方法，该方法不需要任何语言或任务特定的假设，在三个序列标注任务 - 槽填充、词性标注和命名实体识别 - 上表现出 robustness 和效力，以 96.62 的 F1-score 和 97.73％的准确度在槽填充和词性标注上获得了最先进的性能，同时在 NER 上可比的表现达到了 91.13 的 F1 得分

Jun, 2018

本文旨在深入探究 CNN 中的特征方面，发现 CNN 特征映射可用于随机森林和 SVM，以产生超越原始 CNN 的分类结果；使用较低层次的特征可以获得更好的分类结果。

Jul, 2015

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