本文提出了一种新型的模型：深度兴趣网络 （DIN），它设计了一个本地激活单元来自适应地学习用户兴趣的表示，从历史行为的角度与某个广告相关。与固定长度向量相比，这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明，该方法展现出优越的性能，未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。

Jun, 2017

本文提出一种新的推荐问题，即可以明确引起用户瞬时兴趣的触发项，并根据其推荐相关的库存项。通过在真实的电子商务平台上的离线和在线评估，本研究证明了 Deep Interest Highlight Network (DIHN) 在 Trigger-Induced Recommendation (TIR) 场景下胜过现有的方法。

Feb, 2022

本文提出了一种使用深度兴趣网络（DIN）模型来增强点击率（CTR）预测模型的新方法，特别应用于阿里巴巴淘宝平台的广告系统。与传统的深度学习方法不同，本研究侧重于利用广泛的用户行为数据进行定位用户行为激活以实现定制广告定位。与传统模型相比，该方法展现了处理多样化和动态用户数据的优越能力，从而提高广告系统的效率并增加收益。

Jun, 2024

本文提出了一种名为深度兴趣演化网络（DIEN）的新模型，用于 CTR 预测，该模型通过设计兴趣提取器层和兴趣演变层，从用户历史行为序列中捕捉时间性兴趣，并在实验中取得了显著的性能提高。

Sep, 2018

DHEN 是一种深度和分层集成架构，可以利用异构交互式模块的优势，并以不同顺序学习交互作用的层次结构。在大规模的 CTR 预测任务中进行的实验表明，DHEN 的效果很好，达到了预测的标准化熵（NE）提升了 0.27％，训练吞吐量比现有技术基准提高了 1.2 倍。

Mar, 2022

论文提出了一种名为 Deep Session Interest Network (DSIN) 的模型，它利用了用户历史行为序列中的多个会话，并将自我注意机制与双向 LSTM 相结合，以建模用户的兴趣演化，并通过局部激活单元自适应地学习各种会话对目标项目的影响，从而在在线广告和推荐系统等工业应用中提高了点击率（CTR）预测的准确性。

May, 2019

通过设计用户即时兴趣模型层以预测用户滚动时即时兴趣强度的动态变化，利用时间信息进行用户行为建模，引入交互层以学习更好的触发器和目标项之间的交互，我们提出了一种新颖的方法 —— 深度演化即时兴趣网络（DEI2N），用于触发诱导推荐场景中的点击率预测。实验结果表明，我们的 DEI2N 方法在离线数据集和真实世界工业数据集上胜过现有的基准方法，而在线 A/B 测试则证明了其在实际生产环境中的优越性。

Jan, 2024

通过模型命名为深度上下文兴趣网络 (DCIN)，本文突出了上下文信息对用户行为建模的重要性，并提出了一种可完整建模点击及其显示上下文以了解用户上下文感知兴趣的新模型。通过离线和在线评估，显著改善了性能，证明了所提出的 DCIN 方法的优越性。特别值得注意的是，已在我们的在线广告系统上部署了 DCIN，为主要流量带来了 1.5% 的 CTR 和 1.5% 的 RPM 提升。

Aug, 2023

通过深度分组兴趣网络及 Transformer 技术，研究从用户终身行为序列中提取用户兴趣，预测点击率，并验证了该方法的效果和效率。

Nov, 2023

提出了一种新颖的深度学习跨域 CTR 预测模型 ——“Domain Adversarial Deep Interest Network (DADIN)”，通过引入流派不可知层和特别设计的损失函数，联合两个域的分布对齐，通过对抗训练的方式同时对 CTR 预测损失进行优化，从而将跨域推荐任务转化为领域自适应问题，实验表明这个模型在两个真实数据集上表现最优，其平均可比之下排名第一， Huawei 数据集上 AUC 比最强基线高 0.08％，Amazon 数据集上比竞争对手高 0.71％，削减研究表明 DADIN 引入对抗性方法可分别在华为数据集和 Amazon 数据集上提高 AUC 2.34％和 16.67％。

May, 2023