提出了一种基于 Multi-Interest Self-Supervised learning 的 CTR 预测框架，使用 CNN-based multi-interest extractors 提取不同兴趣表示中的自监督信号，并应用对比学习损失来提高特征表示学习。实验证明，该框架可以有效应用于现有 CTR 预测模型中并显著提高性能。

Nov, 2021

本文提出了一种基于对比学习的 CV R 预测框架，使用大量无标签数据学习更好的数据表示，改善预测性能。通过嵌入掩蔽、虚假否定排除和监督正样本包含等方法，削弱了数据稀疏性的限制，实验证明其在真实世界的转化数据集上具有优越表现。

Jul, 2023

DeepMCP 模型基于匹配、关联和预测三个子网络，可以更准确地预测在线广告系统中的 CTR，并在两个大型数据集上优于现有的人工智能模型。

Jun, 2019

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

本文提出了一种新颖的基于 Fine-grained Feature-level Alignment 的语言模型和点击率（CTR）预测模型，通过协同建模和语义知识提取，实现了文本模态和表格模态之间的特征交互和对齐，取得了比现有方法更好的实验结果，并适用于多种语言和 CTR 模型。

Oct, 2023

本研究提出 Deep Multi-Representation (DeepMR) 模型，通过联合训练 DNN 和多头自注意力这两种功能强大的特征表示学习组件，以及使用零初始化的残差连接（ReZero）来提高输入表示的性能，在三个真实数据集上的 CTR 预测任务中超越了所有现有的最先进模型。

Oct, 2022

本研究提出了一个新的模型无关框架（ClickPrompt），通过将 CTR 模型与预训练语言模型结合，旨在同时建模语义知识和协同知识，解决 CTR 估计的推理效率问题。实验证明 ClickPrompt 相较于现有基准模型具有显著的效果。

Oct, 2023

本文提出了一种新颖的嵌入学习框架，用于 CTR 预测中的数值特征（AutoDis），其核心组件包括元嵌入，自动离散化和聚合，综合实验证明，AutoDis 可以提高 CTR 和 eCPM，代码公开可用于 MindSpore。

Dec, 2020

基于大规模用户点击日志的自我监督学习对于点击率（CTR）预测仍然是一个开放性问题，而我们提出了一个无模型的预训练框架，利用特征破坏和恢复，挖掘多领域分类数据的特征交互，并通过两种实用的算法（即遮蔽特征预测和更替特征检测）进一步优化 CTR 预训练，实现了在 CTR 预测方面的有效性和效率的新的最先进表现。

Aug, 2023

本文提出了一种基于集成学习的漂移感知增量学习框架，通过明确基于错误的流数据漂移检测，进一步加强适应良好的集合，并冻结不匹配的集合，避免了灾难性干预，从而解决了 CTR 预测中的灾难性遗忘问题。离线实验和 A/B 测试结果表明，该方法优于所有基线方法。

Apr, 2023