通过设计用户即时兴趣模型层以预测用户滚动时即时兴趣强度的动态变化，利用时间信息进行用户行为建模，引入交互层以学习更好的触发器和目标项之间的交互，我们提出了一种新颖的方法 —— 深度演化即时兴趣网络（DEI2N），用于触发诱导推荐场景中的点击率预测。实验结果表明，我们的 DEI2N 方法在离线数据集和真实世界工业数据集上胜过现有的基准方法，而在线 A/B 测试则证明了其在实际生产环境中的优越性。

Jan, 2024

本文提出 “Deep Intention-Aware Network” 模型来解决在 Mini-Apps 中的 “Trigger-Induced Recommendation” 场景中存在的 CTR 预测问题，该模型通过识别用户的个性化进入意图并根据此意图动态平衡触发器基本和非触发器基本的推荐结果，进而提高了交易平台（Juhuasuan）的在线商品浏览次数和 CTR。

Nov, 2022

本文提出了一种名为深度兴趣演化网络（DIEN）的新模型，用于 CTR 预测，该模型通过设计兴趣提取器层和兴趣演变层，从用户历史行为序列中捕捉时间性兴趣，并在实验中取得了显著的性能提高。

Sep, 2018

本文提出了一种使用深度兴趣网络（DIN）模型来增强点击率（CTR）预测模型的新方法，特别应用于阿里巴巴淘宝平台的广告系统。与传统的深度学习方法不同，本研究侧重于利用广泛的用户行为数据进行定位用户行为激活以实现定制广告定位。与传统模型相比，该方法展现了处理多样化和动态用户数据的优越能力，从而提高广告系统的效率并增加收益。

Jun, 2024

本文提出了一种新型的模型：深度兴趣网络 （DIN），它设计了一个本地激活单元来自适应地学习用户兴趣的表示，从历史行为的角度与某个广告相关。与固定长度向量相比，这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明，该方法展现出优越的性能，未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。

Jun, 2017

本文提出一种名为 HIFN 的层次兴趣融合网络，该网络通过包含短期兴趣提取器、长期兴趣提取器、兴趣融合模块和兴趣解缠模块这四个基本模块，有效地提取和融合用户的短期和长期兴趣，以提高个性化产品搜索中的点击率预测效果。

Apr, 2023

通过模型命名为深度上下文兴趣网络 (DCIN)，本文突出了上下文信息对用户行为建模的重要性，并提出了一种可完整建模点击及其显示上下文以了解用户上下文感知兴趣的新模型。通过离线和在线评估，显著改善了性能，证明了所提出的 DCIN 方法的优越性。特别值得注意的是，已在我们的在线广告系统上部署了 DCIN，为主要流量带来了 1.5% 的 CTR 和 1.5% 的 RPM 提升。

Aug, 2023

DHAN 是 DIN 的改进版，引入多维层次结构，在第一个注意力层上引入分层机制，形成多个维度的分层关系，从而全面地捕捉用户在不同维度的兴趣爱好；该模型应用于 CTR 预测，并在三个公共数据集中得到显著的 AUC 改善，也与 DIEN 进行比较，该模型将是未来的研究方向，可以结合 DHAN 和 DIEN 以同时建模时间和分层结构的兴趣。

May, 2020

论文提出了一种名为 Deep Session Interest Network (DSIN) 的模型，它利用了用户历史行为序列中的多个会话，并将自我注意机制与双向 LSTM 相结合，以建模用户的兴趣演化，并通过局部激活单元自适应地学习各种会话对目标项目的影响，从而在在线广告和推荐系统等工业应用中提高了点击率（CTR）预测的准确性。

May, 2019

在电子商务搜索中，我们提出了一种名为轻量级端到端图兴趣网络（EGIN）的新方法，通过利用搜索系统中查询和项目的相关性和顺序信息构建异构图，以提高点击率（CTR）的预测。

Jun, 2024