使用多任务条件注意力网络进行转化预测，支持创作有效的广告创意
本文提出一种基于多任务学习的方法来进行转化预测，提出了 Multi-Task Field-weighted Factorization Machine (MT-FwFM) 来共同解决不同转化类型的预测问题，通过实验证明 MT-FwFM 相较于其他两种最先进的模型，在不同转化类型的 AUC 值上提升了 0.74% 和 0.84%，同时所有转化类型的加权平均 AUC 值也提升了 0.50%。
Jul, 2019
本文提出了一种自适应信息传递多任务框架，其中使用自适应信息传递模块来模拟受众多步转化之间的序列依赖关系，并使用行为期望校准器来改进最终转换的准确性，该方法已在美团应用中实现，并与其他算法进行了比较。
May, 2021
本文基于 Dual-attention Recurrent Neural Network 模型，提出了一种关于多点触控补偿，序列预测和预期分配方面的新模型。并且，通过预算分配评估了该模型，证明了其在性能方面优于现有模型。
Aug, 2018
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
本文旨在使用经济学中的离散选择模型对点击率 (CTR) 预测问题进行重新定义，并提出了一种使用自注意力机制构建的通用神经网络框架，该框架与现有的大多数 CTR 预测模型相一致，同时还考虑了模型的表达能力和复杂性，最后通过一些公共数据集上的实验结果证明了我们提出的见解。
May, 2021
为了更好地了解广告的主题和情感，本文提出了一种新颖的深度多模态多任务框架，将多种模态整合起来，同时实现广告的主题和情感的预测。通过多模态注意力模块，该模型在最新的大型广告数据集上实现了最先进的性能。
Dec, 2019
本研究提出了一种基于交叉修改注意力的两次解码框架，用于图像描述生成任务。 通过在 Deliberation Model 中集成 CMA 模块，可以过滤掉从 Drafting Model 获取的错误信息并增强图像特征的语义表达能力，从而提高了生成文本描述的质量。 在 MS COCO 数据集上进行的实验表明，我们的方法相较于现有的单次解码和其他基于两次解码的方法，有显著的性能提升。
Sep, 2021
提出了一种名为文本条件注意力的新型注意力机制，它允许生成器在给定先前生成的文本的情况下专注于特定的图像特征，通过在一个端到端的网络结构中联合学习图像嵌入，文本嵌入，文本条件注意力和语言模型。在 MS-COCO 数据集上进行了大量实验，实验结果表明，该方法在各种定量指标以及人类评估方面均优于现有的图像字幕方法，这支持了在图像字幕中使用文本条件注意力的应用。
Jun, 2016
本文提出了一种基于深度神经网络，并以生存分析为灵感的 hazard function-based loss function 的实用预测框架，用于预测广告创意的中止，并成功地将其与传统方法进行了比较和验证。
Apr, 2022