本研究提出一个新框架，通过多任务学习，条件注意力和注意强调来支持创建高性能广告文案，并提高其准确预测广告转换率的能力。

May, 2019

本篇论文着重探讨如何在存在延迟标签的情况下，从连续的数据流中使用最佳的损失函数和模型进行大规模的学习。通过离线和在线实验的结果，论文得出了一种新的解决方案，可以优化 CTR，并提高广告主的性能。

Jul, 2019

我们提出了一个新的自动化的点击率创意生成流水线（CG4CTR），旨在改进创意生成阶段的点击率。我们的贡献有 4 个方面：1）将填充模式应用于在线广告场景的创意生成任务。提出了一个自我循环生成流水线，以确保训练的收敛性。2）设计了提示模型，为不同用户群体生成个性化创意，进一步提高其多样性和质量。3）奖励模型的综合考虑图像和文本的多模态特征，以提高创意排序任务的有效性，也在自我循环流水线中起着重要作用。4）在线和离线实验中获得的显著优势验证了我们提出方法的重要性。

Jan, 2024

本文通过研究广告与其他广告之间的关系提高广告点击率（CTR）的预测，分别从空间和时间两个维度考虑辅助广告，提出了一种基于深度时空神经网络（DSTNs）的方法，结合离线和在线实验证明了该方法的有效性和性能优越性。

Jun, 2019

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

本文介绍了一种基于 Multi-Task Logistic Regression（MTLR）模型和深度学习架构作为核心的新方法，用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard（CoxPH）模型，并且可以帮助企业预测客户购买产品、流失或贷款违约的时间，从而提高回报率。

Jan, 2018

通过引入循环神经网络 (RNN) 的回归结构，直接建模用户序列行为依赖，从而提高点击预测准确性。

Apr, 2014

本论文提出了一种新的基于高斯过程的深度不确定性感知学习 (DUAL) 方法来学习基于 CTR 的广告排名策略，通过提供预测不确定性估计，顺利解决了 CTR 预测方法中缺乏探索的问题，并在阿里巴巴展示广告平台上通过联合社会福利和收入提高实现了广告效益的改进。

Nov, 2020

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

广告服务中的创造力是其核心和灵魂。通过 AI 生成的内容，广告商能够以最小的成本创造大量的创意内容。本文首次提出了一种用于在线平行估计广告和创意排名的新架构，以及相应的离线联合优化模型。在线架构能够进行个性化的创意建模，同时降低总体延迟。CTR 估计的离线联合模型允许广告和创意之间进行相互感知和协同优化。我们对比了两种最先进的方法进行了广泛的实验。结果表明，我们的方法在离线评估和真实世界的在线广告平台中都具有响应时间、CTR 和 CPM 方面的有效性。

Dec, 2023