本文提出了一种自适应信息传递多任务框架，其中使用自适应信息传递模块来模拟受众多步转化之间的序列依赖关系，并使用行为期望校准器来改进最终转换的准确性，该方法已在美团应用中实现，并与其他算法进行了比较。

May, 2021

为了更好地了解广告的主题和情感，本文提出了一种新颖的深度多模态多任务框架，将多种模态整合起来，同时实现广告的主题和情感的预测。通过多模态注意力模块，该模型在最新的大型广告数据集上实现了最先进的性能。

Dec, 2019

级联排序在在线广告和推荐系统中被广泛应用于大规模前 k 选择问题，而学习排序是优化级联排序系统模型的重要方法；本文提出了一种新颖的适应级联排序系统的优化目标的方法，通过多任务学习框架自适应地结合放松和完整优化目标的优化；并且引入置换矩阵表示排序度量，并使用可微排序技术获得带有可控逼近误差界限的放松置换矩阵，从而在深度学习框架内直接且适当地优化放松和完整优化目标，通过提出的代理损失进行；实验证明了方法的有效性和泛化性，并且在线实验表明了方法的显著应用价值。

Oct, 2023

本文研究赞助产品优化中的多个问题，包括基于位置的去偏差、点击 - 转化多任务学习和预测点击率（pCTR）的校准。我们提出了一个实用的机器学习框架，可以解决这些问题，而不改变现有机器学习模型的结构，并可以与大多数机器学习模型结合使用。我们在真实世界的在线购物网站上评估了我们的提出的实用框架，证明它可以解决广告系统中的固有问题，并为多个评估指标带来增益。

Apr, 2023

提出了一种面向在线广告的一致性预排名框架，包括使用基于块的采样模块和即插即用的等级对齐模块，显式地优化 ECPM 排名结果的一致性。

Jun, 2023

本文提出了一种新的两级强化学习框架，用于联合优化推荐和广告策略，第一层生成推荐列表以优化用户体验，第二层将广告插入推荐列表以平衡广告客户的即时广告收入和广告对长期用户体验的负面影响。实验结果表明该框架的有效性。

Feb, 2020

该论文提出了一种名为 M2M 的多场景多任务元学习方法来预测广告主在不同电商平台的多种市场营销场景中的支出、活跃率、推广产品的总印象等多种任务，以解决广告主行为分散、多任务和多场景建模的挑战。

Jan, 2022

本研究提出了一种端到端的神经匹配框架 (EENMF)，用于模拟基于向量的广告检索和基于神经网络的广告预排名。在大规模赞助搜索中，所提出的方法显著优于基准测试。

Dec, 2018

本文提出了一种利用用户的双重决策过程的多任务框架，针对推荐系统领域的排名和评分预测任务进行优化，通过在两个基准数据集上进行测试，证明了其优于现有技术的表现。

Jul, 2018

本研究提出了一种增量学习框架，用于 Click-Through-Rate (CTR) 预测，并展示了其在 Taboola 庞大规模推荐服务中的有效性。通过从以前部署的模型进行暖启动和仅在 “新鲜” 的数据上微调，我们的方法可以快速捕捉新兴趋势，并通过教师 - 学生范式来保留过去的知识。我们的增量学习框架可以实现显着更快的训练和部署周期（12 倍加速）。我们在多个流量段上证明了一致的 Revenue Per Mille (RPM) 增长和新引入项目的 CTR 显著增加。

Sep, 2022