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

本篇论文提出了在推荐系统中使用超级元路径和图形对比学习的框架来解决多行为信息下的用户购买预测问题，并在广泛的比较实验中，显著优于所有基线方法。

Sep, 2021

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

本文提出了一种利用多重关系的点击率（CTR）预测框架（MTBRN）来增强 CTR 预测的方法，并采用各种图形结构（如知识图和商品相似度图）构建多个关系路径。采用 Bi-LSTM 编码每个路径以及路径融合网络和路径激活网络进行适当的聚合和训练以进行 CTR 预测，通过离线和在线的实验进一步表明了 MTBRN 框架的有效性。

Aug, 2020

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

本文提出了一种使用深度兴趣网络（DIN）模型来增强点击率（CTR）预测模型的新方法，特别应用于阿里巴巴淘宝平台的广告系统。与传统的深度学习方法不同，本研究侧重于利用广泛的用户行为数据进行定位用户行为激活以实现定制广告定位。与传统模型相比，该方法展现了处理多样化和动态用户数据的优越能力，从而提高广告系统的效率并增加收益。

Jun, 2024

论文提出了一种名为 Deep Session Interest Network (DSIN) 的模型，它利用了用户历史行为序列中的多个会话，并将自我注意机制与双向 LSTM 相结合，以建模用户的兴趣演化，并通过局部激活单元自适应地学习各种会话对目标项目的影响，从而在在线广告和推荐系统等工业应用中提高了点击率（CTR）预测的准确性。

May, 2019

提出了一种利用用户行为生成网络图，结合宏观和微观行为的 Hierarchically Modeling both Micro and Macro behaviors ($HM^3$) 方法，预测电子商务平台中 Conversion Rate (CVR)。通过多任务学习和利用丰富的监督标签，$HM^3$ 能够端对端地进行培训并解决样本选择偏差和数据稀疏性问题。

Apr, 2021

本文提出了一种名为深度兴趣演化网络（DIEN）的新模型，用于 CTR 预测，该模型通过设计兴趣提取器层和兴趣演变层，从用户历史行为序列中捕捉时间性兴趣，并在实验中取得了显著的性能提高。

Sep, 2018

本文介绍了如何通过混合 CNN 技术和类别先验信息，在 CTR 预测中提高广告点击率，取得了显著的后验实验结果和在线实验结果。

May, 2022