提出一种识别决策上下文交互网络，它可以显著地提高在线广告系统中的用户点击率预测。

Jan, 2023

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

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

本文提出一种新的推荐问题，即可以明确引起用户瞬时兴趣的触发项，并根据其推荐相关的库存项。通过在真实的电子商务平台上的离线和在线评估，本研究证明了 Deep Interest Highlight Network (DIHN) 在 Trigger-Induced Recommendation (TIR) 场景下胜过现有的方法。

Feb, 2022

本文提出了一种深度位置交互网络 DPIN，以有效组合所有候选项和位置来估算每个位置的 CTR，实现离线和在线的一致性，并在服务性能的限制下对位置、用户、上下文和项目之间的深度非线性交互进行建模。同时，我们提出了一种评估指标 PAUC (position-wise AUC)，以解决 CTR 预测中的位置偏差问题，并在真实数据集上进行了广泛的实验，证明了方法的有效性和效率。在 A/B 测试中，我们的方法已在生产中部署，并观察到与高度优化的基准相比有显著的改进。

Jun, 2021

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

通过提出一种 Multi-Interactive Attention Network (MIAN) 方法，结合多种精细特征以及性别、年龄、职业等用户个人信息，从多个方面综合提取用户偏好，同时设计全局交互模块 (GIM) 学习高阶交互和平衡多个特征的影响，能够有效地预测用户点击率 (CTR)。

Dec, 2020

提出了一种新颖的深度学习跨域 CTR 预测模型 ——“Domain Adversarial Deep Interest Network (DADIN)”，通过引入流派不可知层和特别设计的损失函数，联合两个域的分布对齐，通过对抗训练的方式同时对 CTR 预测损失进行优化，从而将跨域推荐任务转化为领域自适应问题，实验表明这个模型在两个真实数据集上表现最优，其平均可比之下排名第一， Huawei 数据集上 AUC 比最强基线高 0.08％，Amazon 数据集上比竞争对手高 0.71％，削减研究表明 DADIN 引入对抗性方法可分别在华为数据集和 Amazon 数据集上提高 AUC 2.34％和 16.67％。

May, 2023

本文提出一种名为 HIFN 的层次兴趣融合网络，该网络通过包含短期兴趣提取器、长期兴趣提取器、兴趣融合模块和兴趣解缠模块这四个基本模块，有效地提取和融合用户的短期和长期兴趣，以提高个性化产品搜索中的点击率预测效果。

Apr, 2023