我们研究了在线学习问题中的广告拍卖收入最大化问题，重点关注广告主的战略行为、点击率和动态估值对机制表现的影响。

Feb, 2024

本文研究计算广告中的关键问题之一：在线广告拍卖中点击率和转化率的预测，分析了前沿的转化建模方法中存在的非均匀误差成本问题，提出基于商业价值权重日志损失的模型训练方法，实验结果表明，该方法可以显著提高模型的离线和在线性能表现。

Mar, 2016

本文提出了一种名为 “置信度排名” 的新型框架，使用两个不同的模型以排名函数的形式设计优化目标，允许针对不同凸代理函数的评估指标进行直接优化，例如 AUC 和 Accuracy。实验结果表明，引入置信度排名损失后，可以在公共和工业数据集的 CTR 预测任务上胜过所有基线，该框架已在 JD.com 的广告系统中部署以提高精细排名阶段的主要流量表现。

Jun, 2023

研究在线学习在上下文广告竞拍中的应用，通过算法获得最小化收入损失的目标，针对点击率进行估计，提出了两种有效的上下文拍卖算法，并通过实验验证了其有效性和超凡性能。

Oct, 2023

该论文扩展了有关单 Slot 拍卖中的 sponsored search auctions 的机制设计的研究，并研究了使用级联模型来解决多 Slot 拍卖中的 CTR 估计和真实机制设计的问题。

May, 2014

本论文提出了一种新的基于高斯过程的深度不确定性感知学习 (DUAL) 方法来学习基于 CTR 的广告排名策略，通过提供预测不确定性估计，顺利解决了 CTR 预测方法中缺乏探索的问题，并在阿里巴巴展示广告平台上通过联合社会福利和收入提高实现了广告效益的改进。

Nov, 2020

本文系统地回顾了 CTR 预测领域的最新研究进展及其建模框架，着重介绍了基础建模框架及其拓展，对其优缺点和预测性能进行了分类总结，并结合各类数据集对不同复杂度和要素相互作用顺序进行了性能比较。同时，本文还识别出当前研究趋势、主要挑战和未来研究方向，为有意从事该领域的学者提供了基础知识和高效的进入点。

Feb, 2022

本文研究广告拍卖中各利益相关者的权衡。我们讨论了基于利益相关者效用值的线性组合优化问题及其解决方案，同时通过模拟和实际数据分析探究了不同广告数量对各方效用的影响。最后，我们探究了组合型广告格式的不同竞价规则，并发现了其中的问题和限制。

Apr, 2014

本文提出了一种基于数据增强和自对齐分离的方法 Rec4Ad，利用有机推荐物品和赞助物品的混合结果缓解广告 CTR 模型中的样本选择偏差，实现了在淘宝广告系统中 CTR 和 RPM 的显著提高。

Jun, 2023

本文研究基于点击数据的检索模型，探讨在训练集中引入或忽略长尾查询 - 文档对的影响，提出了一种基于加权的策略用于学习长尾语义表示，并在必应赞助搜索和亚马逊产品推荐上进行实验。在线 A/B 测试结果显示，相比于不加权模型，点击率提高了 11.8％，反弹率降低了 8.2％，同时在亚马逊产品推荐数据上也略有提高。

Nov, 2018