本文提出了一种基于模仿学习的对抗学习点击模型框架（Adversarial Imitation Click Model, AICM），通过明确地学习恢复用户的内在效用和潜在意图的奖励函数，将用户与排名列表的交互建模为动态系统（而不是单步点击预测），通过对抗训练最小化 JS 发散来学习稳定的点击序列分布，从而将暴露偏差从 $O (T^2)$ 降到了 $O (T)$，结果表明 AICM 在传统点击度量和去暴露方面具有优异的性能。

Apr, 2021

本文介绍了如何利用搜索日志构建查询图和使用 GE-BERT 框架来同时捕获查询的语义信息和用户搜索行为信息，以改进查询理解任务。

Apr, 2022

本文提出了基于图神经网络和元学习的 GME 模型，它可以快速学习如何为新广告 ID 生成理想的初始嵌入，并在真实数据集上展示了在冷启动和热身场景下 GME 大大改善了预测性能。

May, 2021

该研究提出了一种基于神经网络的点击序列模型，可用于预测用户与搜索引擎结果的交互行为，并在多个预测任务中取得了最先进的结果。

May, 2018

在电子商务领域中，搜索相关性问题具有挑战性，因为它涉及理解用户的简短微妙查询的意图，并将其与目录中的适当产品匹配。为了弥合研究和实际采用这些技术之间的差距，我们提出了 Plug and Play Graph LAnguage Model（PP-GLAM），一个可解释的插拔模型集合。通过均匀的数据处理流程和增加的解释度量，我们展示了 PP-GLAM 在真实多语言、多区域电子商务数据集上优于几种最先进的基准模型及专有模型。为了促进更好的模型可理解性和采用度，我们还提供了模型的解释性和计算复杂性分析，并提供了实际实施的部署策略的公共代码库。

Mar, 2024

这篇论文提出了一种名为动态序列图学习（DSGL）的新方法，通过利用用户或物品相关的本地子图的协同信息来增强用户或物品的表示，以预测点击率。DSGL 使用底部向上的方法在动态顺序图中进行图卷积操作，设计了一个考虑时间信息和时间依赖性的时态序列编码层，并提出了一个目标 - 偏好双重注意层，以搜索与目标相关的行为部分并减轻来自不可靠邻居的噪声。实验结果表明，DSGL 方法可以提高 CTR 预测的准确性。

Sep, 2021

本文提出一种名为 GLSM 的基于图形的长短期兴趣模型，它包含用于捕捉长期用户行为的多兴趣图形结构，用于建模短期信息的多场景异构序列模型以及自适应融合机制来融合长期和短期行为的信息，并在实际应用中展示出了显著的 CTR 和 GMV 提升。

Jun, 2023

该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

Mar, 2020

本文提出了一种基于图的跨页面广告嵌入生成方法（GACE），通过多页历史广告数据的联合使用和新广告的冷启动来改善在线广告推荐系统，采用变分自编码器预训练模块生成新旧广告的嵌入表示，在公共数据集 AliEC 和阿里巴巴支付宝的真实行业数据集上进行评估，结果显示 GACE 方法明显优于现有方法，在线 A/B 测试中，支付宝三个真实页面的点击率分别增加了 3.6%、2.13%、3.02%，尤其在冷启动任务中，点击率分别增加了 9.96%、7.51%、8.97%。

Jan, 2024

本文旨在提高 CTR 预测模型的性能。我们提出了一种名为 Dual Graph enhanced Embedding（DG-ENN）的神经网络模型，它包括两个策略来解决现有模型在稀疏特征或行为情况下性能降低的问题，并已在实际工业数据集上得到验证。

Jun, 2021