本文提出了一种名为 Meta-Embedding 的元学习方法，通过先前学习的广告嵌入来生成新的广告 ID 的初始化嵌入，进而提高了 Click-through rate (CTR) 预测的性能，并通过实验结果证明了 Meta-Embedding 在冷启动和预热阶段都能显著提高 CTR 预测模型的精度。

Apr, 2019

本文提出了一种基于图的跨页面广告嵌入生成方法（GACE），通过多页历史广告数据的联合使用和新广告的冷启动来改善在线广告推荐系统，采用变分自编码器预训练模块生成新旧广告的嵌入表示，在公共数据集 AliEC 和阿里巴巴支付宝的真实行业数据集上进行评估，结果显示 GACE 方法明显优于现有方法，在线 A/B 测试中，支付宝三个真实页面的点击率分别增加了 3.6%、2.13%、3.02%，尤其在冷启动任务中，点击率分别增加了 9.96%、7.51%、8.97%。

Jan, 2024

本文旨在提高 CTR 预测模型的性能。我们提出了一种名为 Dual Graph enhanced Embedding（DG-ENN）的神经网络模型，它包括两个策略来解决现有模型在稀疏特征或行为情况下性能降低的问题，并已在实际工业数据集上得到验证。

Jun, 2021

本文提出了一种基于神经网络和图增强的点击模型 (GraphCM)，通过在构造的同质图中提取查询和文档之间的信息，分别对吸引力评估器和考试预测器进行建模，通过组合功能将考试概率和吸引力评分融合到点击预测中，综合实验结果表明其在处理数据稀疏性和冷启动问题方面具有优越性能。

Jun, 2022

通过预训练 Graph Neural Networks 模型来解决冷启动问题，采用元聚合器和自适应邻居采样器来增强图卷积的聚合能力和选择有效邻居，实验结果表明在用户 / 项目嵌入推断和推荐任务方面优于原始的 GNN 模型。

Dec, 2020

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

使用 Hypergraph Click-Through Rate prediction framework 模型，利用多模态交互的用户和物品信息和生成的基于兴趣的用户超图和物品超图，通过时间感知的用户 - 物品二分网络来预测用户对微视频点击率，该模型表现显著优于其他现有的模型。

Sep, 2021

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

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

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