该研究提出了一种基于协作跨域迁移学习框架（CCTL）的解决方案，可用于推荐系统中不同商业域中的广告点击率（CTR）预测建模，并成功应用于美团，提高了 CTR 和 GMV 的表现。

Jun, 2023

提出了一种基于双学习机制的跨领域用户行为建模方法，为两个相关领域建立双重的潜在嵌入，实现了在两个目标域上同时提高 CTR 预测性能的目标，实验证明了比其他最先进的模型表现更好的效率和性能。

Jun, 2021

我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展示费用的显著改善。

Jan, 2024

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

提出了一种基于生成对抗网络（GANs）、变分自动编码器（VAEs）和 Cycle-Consistency（CC）相结合的 D2D-TM 模型，用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题，并证明其在性能优化方面超过了现有技术。

Dec, 2018

本文探讨了在线广告系统中面对的 CTR 预测问题，利用源域辅助数据来提高目标域的 CTR 预测性能，提出了 MiNet（Mixed Interest Network）网络，它可以联合建模三种类型的用户兴趣，包括长期跨域兴趣、来自源域的短期兴趣和目标域的短期兴趣，其中两种层级的注意力可以自适应地决定如何从新闻和广告中提取有用信息。离线实验表明 MiNet 优于几种现有的 CTR 预测方法，A/B 测试的结果也表明 MiNet 可以实际部署并有效提高 UC Toutiao 中的在线 CTR。

Aug, 2020

本文通过研究广告与其他广告之间的关系提高广告点击率（CTR）的预测，分别从空间和时间两个维度考虑辅助广告，提出了一种基于深度时空神经网络（DSTNs）的方法，结合离线和在线实验证明了该方法的有效性和性能优越性。

Jun, 2019

本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型，该模型在电影、图书和音乐三个领域的数据集上经过充分测试，表现优于其他传统模型。

Oct, 2019

本文提出了一个名为 GA 的统一框架，它使用图形嵌入和注意力技术来提高所有数据集的推荐精度，包括 Dual-Target CDR，Multi-Target CDR 和 CDR+CSR，实验证明 GA 相比现有的 CDR 和 CSR 算法有更好的表现。

Aug, 2021

本文提出了一种基于自动交互架构发现的 CTR 预测框架 AutoCTR，使用神经架构搜索技术探索了不同数据集的 CTR 预测模型，取得了在不同数据集上的预测效果和泛化性能的成功。

Jun, 2020