本文提出了一种基于对比学习的 CV R 预测框架，使用大量无标签数据学习更好的数据表示，改善预测性能。通过嵌入掩蔽、虚假否定排除和监督正样本包含等方法，削弱了数据稀疏性的限制，实验证明其在真实世界的转化数据集上具有优越表现。

Jul, 2023

本文介绍了针对电子商务推荐系统中转化率估计的两种高效的估计方法，基于多任务学习框架解决了选择偏差、数据稀疏等问题，并通过实验表明其优于现有的 CVR 模型。

Oct, 2019

本研究提出了一种多头建模方法，通过将转化 quantizes 成多个时间窗口来解决线上广告转化预测中标签新鲜度和滞后性之间的挑战，并实验证明其在转化率（CVR）和每次点击价值（VPC）预测方面表现大大优于已知方法。

May, 2022

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

本文提出一种基于多任务学习的方法来进行转化预测，提出了 Multi-Task Field-weighted Factorization Machine (MT-FwFM) 来共同解决不同转化类型的预测问题，通过实验证明 MT-FwFM 相较于其他两种最先进的模型，在不同转化类型的 AUC 值上提升了 0.74% 和 0.84%，同时所有转化类型的加权平均 AUC 值也提升了 0.50%。

Jul, 2019

该论文提出了一种基于用户行为先后顺序的 CTR 建模方法，即评估用户广告点击数据的转化率，并使用全空间多任务模型 (ESMM) 进行直接建模，该方法可以同时解决采样偏差问题和数据稀疏性问题，并在淘宝推荐系统数据集上进行了实验证明其比竞争方法具有更好的性能。同时，文中还发布了包含点击和转化标签的序列依赖采样版本，成为首个公开的采样版本数据集。

Apr, 2018

本研究提出一个新框架，通过多任务学习，条件注意力和注意强调来支持创建高性能广告文案，并提高其准确预测广告转换率的能力。

May, 2019

本文提出两种使用深度神经网络来预测用户响应的新模型，通过三种特征转换方法的借助，能够自动学习有效的分类特征交互模式，并对用户的广告点击进行预测。大规模的实验表明，我们的方法比现有主流模型更好。

Jan, 2016

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

本文介绍了一种新的深度神经网络模型，该模型可从图像像素和其他基本特征中一步预测图像广告的点击率，并且使用卷积层自动提取代表性的视觉特征，再通过全连接层学习非线性 CTR 特征，实证评估表明该方法是有效和高效的。

Sep, 2016