为提高 CTR 预测效果，本文提出了一种针对推荐领域的图像预训练方法，通过用户点击历史来学习用户的视觉兴趣，同时采用对比训练方法以避免嵌入向量的折叠，实验表明该方法可以提高 0.46% 的离线 AUC 和 0.88% 的淘宝线上 GMV。

Jun, 2023

通过提出一种 Multi-Interactive Attention Network (MIAN) 方法，结合多种精细特征以及性别、年龄、职业等用户个人信息，从多个方面综合提取用户偏好，同时设计全局交互模块 (GIM) 学习高阶交互和平衡多个特征的影响，能够有效地预测用户点击率 (CTR)。

Dec, 2020

本文旨在使用经济学中的离散选择模型对点击率 (CTR) 预测问题进行重新定义，并提出了一种使用自注意力机制构建的通用神经网络框架，该框架与现有的大多数 CTR 预测模型相一致，同时还考虑了模型的表达能力和复杂性，最后通过一些公共数据集上的实验结果证明了我们提出的见解。

May, 2021

本研究通过机器学习算法与在线服务系统的共同设计，提出了处理长序列用户行为数据的解决方案，能够有效地处理超过千级的长序列用户行为数据，提升了模型性能和系统效率。

May, 2019

本论文提出了一种基于数据检索的用户行为检索框架（UBR4CTR），通过可学习的搜索方法从整个用户历史序列中检索出最相关和最适当的用户行为，然后将这些检索到的行为馈入深度模型进行最终预测，该框架能够在低成本下被高度可行地部署到工业模型流水线中，三个实际大规模数据集上的实验证明了该框架的优越性和功效。

May, 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

该研究使用 Taobao 的亿万商品和广告点击记录，通过提出使用用户行为图片来提高广告 CTR 预测准确性，采用 Advanced Model Server（AMS）实现深度图像 CTR 模型来成功优化了广告服务系统。

Nov, 2017

该研究提出了一种叫做 ETA 的局部敏感哈希方法，可以大大降低训练和推理成本，并使得可以使用长期用户行为序列进行端到端训练，以实现更好的点击率预测表现。

Aug, 2021

本文旨在通过在电商网站上的标签信息和候选图像上下文信息，利用了 TagYNet 和 CtxYNet 等深度卷积神经网络架构，以实现对基于智能手机拍摄的图像进行检索的 Attention weights 计算和图像特征提取，可显著提高检索的准确率和效率。

Sep, 2017

本文提出了一种名为 Meta-Wrapper 的深度学习框架，在 CTR 预测中用于用户兴趣筛选，该方法采用了注意力机制和元学习算法以实现包装器方法的特征选择，并在三个公共数据集上进行了广泛实验验证。

Jun, 2022