本文提出了一种自适应信息传递多任务框架，其中使用自适应信息传递模块来模拟受众多步转化之间的序列依赖关系，并使用行为期望校准器来改进最终转换的准确性，该方法已在美团应用中实现，并与其他算法进行了比较。

May, 2021

Multi-Scenario Learning is used in recommendation and retrieval systems to transfer learning from different scenarios via different paradigms to refine feature representations in a scenario-aware manner, demonstrating superior ranking performance and adaptive feature learning in production environments, as supported by A/B test results on the Alibaba search advertising platform.

Jun, 2023

为了更好地了解广告的主题和情感，本文提出了一种新颖的深度多模态多任务框架，将多种模态整合起来，同时实现广告的主题和情感的预测。通过多模态注意力模块，该模型在最新的大型广告数据集上实现了最先进的性能。

Dec, 2019

我们提出了一个多任务学习框架，用于早期阶段排名以捕获多个最终阶段排名组件和它们的任务关系，实现广告召回率和排名一致性的改进。通过模型整合，我们不仅可以实现成本节约，还可以在大规模工业广告排名系统中实现显著更高的点击率、转化率、总价值和更好的广告质量效果。

Jul, 2023

本研究提出一种场景自适应与自监督模型 (SASS)，解决具有多场景问题的细粒度信息转移、全空间样本利用和物品多场景表示分离问题，并在公共和工业数据集上得到显著提升。

Aug, 2022

通过少次学习和元学习，将场景特定学习与模型无关的顺序元学习相结合，提出了一种名为 s^2meta 的综合端对端框架，可显著提高在线推荐的冷启动问题的状态艺术水平。

Jun, 2019

该论文提出了一种名为 AESM^{2} 的新型自动专家选择框架，该框架将多场景学习（MSL）和多任务学习（MTL）整合到一个统一的框架中，具有自动结构学习的特点，并采用分层设计和专家选择算法，实验表明在真实世界的大规模数据集上表现良好且有助于提高多项指标的在线 A/B 测试。

May, 2022

本文探讨了使用多智能体强化学习在大型平台上进行多场景优化的问题，通过将搜索、推荐和广告等不同场景视为一种合作的、部分可观察的多智能体决策问题进行研究。我们引入了多智能体递归确定性策略梯度（MARDPG）算法，以共享目标对不同场景进行整合，并允许策略间的通信以提高整体性能。我们的结果表明，在点击率（CTR）、转化率和总销售额等指标上，我们的方法在实际环境中具有显著改进的效果。

Jul, 2024

提出了针对电子商务撰写任务的统一和定制的 LLaMA-E 语言模型，包括广告生成、查询增强的产品标题重写、产品分类、购买意向推测和常见问答等任务，并将 GPT-3.5 作为教师模型，通过扩展种子指令形成 LLaMA-E 模型的训练集，在定量和定性评估中取得了最先进的结果，并在零样本场景中展现出优势。

Aug, 2023

本文提出了一种多图结构的多场景推荐解决方案，通过图学习来在各场景之间交互数据并获得表示，从而使其能够在激活冷门视频和丰富目标推荐方面表现出卓越性。

May, 2022