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

本篇论文提出了一种名为 eXtreme Deep Factorization Machine （xDeepFM） 的模型，它通过 Compressed Interaction Network （CIN） 生成 feature interactions，并且可以显式地和隐式地学习 variable order feature interactions，实验结果表明其优于现有的模型。

Mar, 2018

本文提出了 DeepFM 模型，结合了因式分解机和深度学习的能力，通过神经网络架构强调低阶和高阶特征交互，实现了无需特征工程的广泛学习框架，并且实验验证了 DeepFM 在 CTR 预测的效果和实际部署中的效果优于以往的模型。

Apr, 2018

本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine（NFM），将因子分解机（Factorization Machines，FM）中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合，实验证明 NFM 在深度学习方法 Wide&Deep 和 DeepCross 的基础上，使用更浅的结构却提供更好的性能，在实际中更易于训练和调节。

Aug, 2017

本文提出了一种基于神经注意力网络的模型，命名为注意力分解机，该模型通过区分不同特征交互的重要性，通过学习数据来改进了因同等加权造成的效率下降的因素分解机，实验证明改进后的注意力分解机在回归任务中相对于因素分解机有 8.6% 的相对改善，而且在结构更简单、模型参数更少的情况下一致优于最先进的深度学习方法 Wide&Deep 和 DeepCross。

Aug, 2017

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

本文提出了一种新的神经点击率模型 FAT-DeepFFM，该模型通过将 DeepFFM 与 CENet 场注意力机制结合起来以突出特征重要性，并在真实世界数据集上的实验结果表明，FAT-DeepFFM 在 CTR 预测任务方面的性能最好，并获得不同于现有方法的改进。

May, 2019

提出一种基于多样性促进学习的深度集成方法，提高深度集成模型抵抗对手攻击的能力，减少攻击的迁移效应，实现更好的白盒和黑盒攻击防御性能。

Dec, 2021

本文提出了一种名为 DeDES 的新型数据无关多样性算法，以解决机器学习模型市场中想要在无需数据的情况下使用集成学习来改善模型性能时，模型选择问题的存在。实验结果表明，该算法在不同数据集和模型结构下，可以同时实现更好的性能和更高的效率。

Feb, 2023

本论文提出了一种基于图形结构和 GNN 特征汇聚策略相结合的 Graph Factorization Machine 方法，可以在处理高维度稀疏数据时有效地建模任意高阶特征交互，并具有优异的预测准确性。

May, 2021