本文综述了 CTR 估算任务中使用的深度学习模型，包括从浅层到深度 CTR 模型的转换，深度 CTR 模型的显式特征交互学习模块，用户行为模型，以及深度 CTR 架构设计的自动化方法。

Apr, 2021

本文系统地回顾了 CTR 预测领域的最新研究进展及其建模框架，着重介绍了基础建模框架及其拓展，对其优缺点和预测性能进行了分类总结，并结合各类数据集对不同复杂度和要素相互作用顺序进行了性能比较。同时，本文还识别出当前研究趋势、主要挑战和未来研究方向，为有意从事该领域的学者提供了基础知识和高效的进入点。

Feb, 2022

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

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

本文采用深度学习技术实现 Click-through rate（CTR）预测，并采用神经元级别检查模型内部状态，实施逐层性能测量探针方法，以及基于反向传播梯度的显著性分数计算来计算特征的影响。该模型可用于理解，监视，诊断和改进模型和算法的多个实际应用。

Jun, 2018

本文介绍了一种新的深度神经网络模型，该模型可从图像像素和其他基本特征中一步预测图像广告的点击率，并且使用卷积层自动提取代表性的视觉特征，再通过全连接层学习非线性 CTR 特征，实证评估表明该方法是有效和高效的。

Sep, 2016

提出了一种实用的 CTR 预测模型 —— 记忆增强型 DNN，该模型通过创建两个外部记忆向量来记住每个用户的历史行为信息，并取得了在离线和在线实验中都表现出良好的绩效。

Jul, 2019

DeepMCP 模型基于匹配、关联和预测三个子网络，可以更准确地预测在线广告系统中的 CTR，并在两个大型数据集上优于现有的人工智能模型。

Jun, 2019

本论文提出了一种基于数据检索的用户行为检索框架（UBR4CTR），通过可学习的搜索方法从整个用户历史序列中检索出最相关和最适当的用户行为，然后将这些检索到的行为馈入深度模型进行最终预测，该框架能够在低成本下被高度可行地部署到工业模型流水线中，三个实际大规模数据集上的实验证明了该框架的优越性和功效。

May, 2020

本文提出了一种基于集成学习的漂移感知增量学习框架，通过明确基于错误的流数据漂移检测，进一步加强适应良好的集合，并冻结不匹配的集合，避免了灾难性干预，从而解决了 CTR 预测中的灾难性遗忘问题。离线实验和 A/B 测试结果表明，该方法优于所有基线方法。

Apr, 2023