我们提出了一种基于用户行为文本的兴趣分块网络（TBIN），通过结合高效的局部敏感哈希算法和偏移块自注意力机制来处理先前研究中的限制，从而实现动态激活用户多样化的兴趣，并产生针对目标项目的用户兴趣表达。通过对真实世界食品推荐平台上的离线和在线实验的结果，证明了 TBIN 的有效性。

Aug, 2023

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

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

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

本文通过研究广告与其他广告之间的关系提高广告点击率（CTR）的预测，分别从空间和时间两个维度考虑辅助广告，提出了一种基于深度时空神经网络（DSTNs）的方法，结合离线和在线实验证明了该方法的有效性和性能优越性。

Jun, 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

本文提出了一种基于三角形图的用户兴趣推荐框架 TGIN，通过提取邻近点击物品的三角形图模式来捕捉用户的真实动机，扩大了用户兴趣的探索机会，并借助多层兴趣聚合方法提高了 CTR 预测的准确性。

Feb, 2022

通过建立 “时间交互模型”（TIM），该研究提出了一种旨在改善移动应用用户参与度的综合通知时间控制策略。研究重点关注用户行为模式，通过估计每个时间段内点击率等用户历史交互特征，而不仅仅依赖上下文特征。通过离线实验和在线 A/B 测试，结果表明 TIM 是一种可靠的用户行为预测工具，能够显著提升用户参与度而避免不必要的干扰。

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

通过设计用户即时兴趣模型层以预测用户滚动时即时兴趣强度的动态变化，利用时间信息进行用户行为建模，引入交互层以学习更好的触发器和目标项之间的交互，我们提出了一种新颖的方法 —— 深度演化即时兴趣网络（DEI2N），用于触发诱导推荐场景中的点击率预测。实验结果表明，我们的 DEI2N 方法在离线数据集和真实世界工业数据集上胜过现有的基准方法，而在线 A/B 测试则证明了其在实际生产环境中的优越性。

Jan, 2024