本文提出 CausalMTA，用于解决 multi-touch attribution 中的 confounding bias 问题，从而学习一个无偏的预测模型，并在多个广告渠道中生成有意义的归因信用。

Dec, 2021

DeepMTA 是一种基于深度学习和附加特征解释模型的在线多点触摸归因模型，具有解释性和较高的准确性。

Mar, 2020

该论文论述了一种基于用户转化行为模型和信用分配算法的多点触控归因（MTA）系统，能够持续处理不完整的数据并捕捉广告效果会随时间改变的特点，可帮助广告商在预算和竞标决策上更好地分配资源。

Sep, 2020

本文提出了使用神经网络的多触点归因模型 CAMTA，并在 Criteo 数据集上进行了实证研究和性能对比。该模型利用用户行为和预转化动作来预测广告触点后的归因，具有优秀的预测精度和预算分配效果。

Dec, 2020

本文描述了一个实用的多点触控归因（MTA）系统，用于数字广告发行商。实现该系统的方法包括响应模型和信用分配模型使用循环神经网络和 Shapley Values 方法。

Feb, 2019

本文基于 Dual-attention Recurrent Neural Network 模型，提出了一种关于多点触控补偿，序列预测和预期分配方面的新模型。并且，通过预算分配评估了该模型，证明了其在性能方面优于现有模型。

Aug, 2018

本文提出了一种基于深度学习的新型归属算法，利用 DNAMTA 模型，通过监督学习预测广告活动是否导致转化，来精确评估每个广告渠道的影响，并结合用户背景信息和行为控制变量来减少估计偏差，从而深入理解媒体渠道的动态交互效应，并在大型真实世界营销数据的计算实验中表现出比现有方法更为优越的转化预测和媒体渠道影响评估。

Sep, 2018

本研究提出 Deep Multi-Representation (DeepMR) 模型，通过联合训练 DNN 和多头自注意力这两种功能强大的特征表示学习组件，以及使用零初始化的残差连接（ReZero）来提高输入表示的性能，在三个真实数据集上的 CTR 预测任务中超越了所有现有的最先进模型。

Oct, 2022

DeepMCP 模型基于匹配、关联和预测三个子网络，可以更准确地预测在线广告系统中的 CTR，并在两个大型数据集上优于现有的人工智能模型。

Jun, 2019

基于大规模用户点击日志的自我监督学习对于点击率（CTR）预测仍然是一个开放性问题，而我们提出了一个无模型的预训练框架，利用特征破坏和恢复，挖掘多领域分类数据的特征交互，并通过两种实用的算法（即遮蔽特征预测和更替特征检测）进一步优化 CTR 预训练，实现了在 CTR 预测方面的有效性和效率的新的最先进表现。

Aug, 2023