本文提出了一种新型神经网络：DynInt，通过动态交互模式，实现了更好的 CTR 预测，实验结果表明 DynInt 模型在真实世界数据集上比现有模型更高效、更有效。

Jan, 2023

本篇论文提出了一种名为 eXtreme Deep Factorization Machine （xDeepFM） 的模型，它通过 Compressed Interaction Network （CIN） 生成 feature interactions，并且可以显式地和隐式地学习 variable order feature interactions，实验结果表明其优于现有的模型。

Mar, 2018

本文提出了一种新型的模型：深度兴趣网络 （DIN），它设计了一个本地激活单元来自适应地学习用户兴趣的表示，从历史行为的角度与某个广告相关。与固定长度向量相比，这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明，该方法展现出优越的性能，未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。

Jun, 2017

本文介绍了一种新型深度神经网络 ——Deep & Cross Network (DCN)，能够在保留 DNN 模型优势的基础上，引入有效的交叉网络来学习有限次数特征交互，不需要进行手动特征工程，且几乎不会增加 DNN 模型的复杂性，针对 CTR 预测数据集和密集分类数据集进行了实验，结果表明该模型在模型精度和内存使用方面都优于当前最先进的算法。

Aug, 2017

本文提出了 FiBiNET 模型，通过 Squeeze-Excitation 网络机制学习特征重要性，通过双线性函数有效地学习特征交互，结果显示该模型在真实数据集上的性能优于其他浅层模型和深度模型。

May, 2019

本文提出了一种称为 AutoInt 的方法，通过多头自注意力神经网络和残差连接，自动学习输入特征的高阶特征交互，共同应用于 CTR 预测、在线广告和推荐系统，并展示了好的解释性和结果。

Oct, 2018

本文介绍了一种名为 DeepLight 的框架，用于加速 CTR 预测，该框架通过显式地搜索浅层组件中的信息交互、裁剪深度神经网络（DNN）组件中的冗余层和参数以及提高嵌入层稀疏性的方式，成功地将模型推断速度提高了 46 倍，在不降低预测准确性的情况下，有望在广告投放生产中成功部署复杂的基于嵌入的神经网络。

Feb, 2020

利用深度学习研究交互对象之间的模型，包括用户与电影的评分、 蛋白质和药物的结合或三元用户 - 项目 - 标签交互等，模型应该是置换等变的，并提出一种参数共享方案以实现在多种矩阵完成基准测试中取得良好的性能，并能够扩展到大型数据集和新的交互对象上。

Mar, 2018

通过引入 RBF 核函数创建的无限维空间，InfiNet 模型实现了特征之间的无限维交互作用，从而显著提高了模型性能，达到了新的最先进水平。

May, 2024

使用 xDeepFM 模型，该论文提出了 DexDeepFM 模型来预测用户的正向反应概率，该模型引入了集成多样性和注意力机制来提高预测性能，这项工作在三个真实数据集上获得了良好实验结果。

Apr, 2021