本文提出了一种基于随机规划模型的关键词分组方法，考虑了点击率和转化率等随机变量，同时纳入预算约束和风险承受能力，使用分支界定算法解决该模型，实验证明该方法在实际的搜索广告活动中表现出色，并揭示了有关关键词分组决策的重要洞察。

Mar, 2022

本文提出了一个关于广告关键词决策的框架，并回顾了当前技术、输入特征和评估指标，最后讨论了可能存在的缺陷，为未来的探索提供了新的研究视角。

Feb, 2023

本研究面对不完全的历史广告表现指数和无法准确预测的广告环境下，构建了数据分布预测模型和随机关键词定位模型，提出了一种新的基于分支定界算法的关键词定位策略，并在真实数据的基础上展示了其优异性能。

Oct, 2022

现代商业互联网搜索引擎通过拍卖方式在搜索结果旁边展示广告，这种发起出价的赞助搜索依靠市场机制，我们总结了当前拍卖系统的情况，描述了博弈论方面的基本原理，该博弈涉及到三方，分别是广告主、搜索引擎和搜索用户，介绍了强调每方角色的研究方向，并使用机制设计、优化和统计估计的技术来制定竞标和定价算法最后提出了赞助搜索广告中的一些挑战。

May, 2008

本文探讨了利用一种改进的指针网络结构思想，通过采用深度强化学习来解决关键词推荐的组合优化问题，提出了一个预分簇方法 Equal Size K-Means 来加速训练和测试，该框架在离线和在线环境中均取得了显著的提高。

Jul, 2019

通过构建一个应用于电商赞助搜索的层次化网络框架，结合历史广告点击数据来进行信号、检索关键词和广告的关联，选择模型权重最佳的边缘来提高 RPM/CTR，从而达到多维度广告检索和推荐的目的。

Dec, 2017

该论文探讨了使用生成神经网络以及强化学习算法来解决在线广告推荐中的关键字提取问题，提出的模型能够生成与输入相关、多样化的关键字，并且满足领域特定信息的限制条件，并通过离线和在线评估表明，所提出的模型能够显著提高广告投放的覆盖率、点击率和 RPM。

Feb, 2019

本研究提出了一种端到端的神经匹配框架 (EENMF)，用于模拟基于向量的广告检索和基于神经网络的广告预排名。在大规模赞助搜索中，所提出的方法显著优于基准测试。

Dec, 2018

本文研究赞助产品优化中的多个问题，包括基于位置的去偏差、点击 - 转化多任务学习和预测点击率（pCTR）的校准。我们提出了一个实用的机器学习框架，可以解决这些问题，而不改变现有机器学习模型的结构，并可以与大多数机器学习模型结合使用。我们在真实世界的在线购物网站上评估了我们的提出的实用框架，证明它可以解决广告系统中的固有问题，并为多个评估指标带来增益。

Apr, 2023

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