MaskNet: 通过实例引导蒙版引入特征逐层乘积到 CTR 排名模型
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
本文提出了一个新模型 FiiNet (多级特征交互重要性神经网络)，该模型首先使用选择性卷积神经网络 (SKNet) 来明确构建多级特征交互，以精细的方式动态学习特征交互组合的重要性，增加重要特征交叉组合的注意权重并减少无效的交叉，通过与许多点击率预测模型在两个真实数据集上的对比，证明了 FiiNet 模型可以动态学习特征交互组合的重要性，从而提高推荐效果并提供更好的解释性。FiiNet 模型实现可在 PyTorch 中获取。
May, 2024
本文提出了 FiBiNET 模型，通过 Squeeze-Excitation 网络机制学习特征重要性，通过双线性函数有效地学习特征交互，结果显示该模型在真实数据集上的性能优于其他浅层模型和深度模型。
May, 2019
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
提出一种使用基于邻域的交互方法的 Ctr 预测模型，该模型考虑了异构信息网络环境下的推荐系统，采用各种显式和隐式相互作用方式进一步指导本地邻域的表示学习，并在真实数据上表现出较大优势。
Jan, 2022
基于大规模用户点击日志的自我监督学习对于点击率（CTR）预测仍然是一个开放性问题，而我们提出了一个无模型的预训练框架，利用特征破坏和恢复，挖掘多领域分类数据的特征交互，并通过两种实用的算法（即遮蔽特征预测和更替特征检测）进一步优化 CTR 预训练，实现了在 CTR 预测方面的有效性和效率的新的最先进表现。
Aug, 2023
本文介绍了一种基于卷积神经网络的特征生成模型（FGCNN），旨在通过将局部模式结合来生成新特征，以提高深度学习模型中点击率预测的性能。实验结果表明，FGCNN 显著优于九种最先进的模型，并表明当使用某些最先进的模型作为深度分类器时，总是可以获得更好的性能。
Apr, 2019