研究在网络展示广告中广泛使用的保证交付模型，提出一种消费最小化模型和接近最优的广告投放方法，以减少用户流量并满足所有合同，从而实现更高的广告收入。

Nov, 2016

本文介绍了一种行为导向的时间分割（BOTS）技术，该技术基于移动电话数据，综合考虑了行为的时间模式和不同的行为数量，对用户行为进行充分研究，证明该方法更能捕获用户在一周内不同时间段的行为和行为模式。

Nov, 2018

用户行为对推荐算法产生影响，用户可以采取策略来塑造其未来的推荐结果。该研究实验证明用户策略化行为普遍存在，推荐平台需要考虑算法对用户行为的影响。

May, 2024

通过跟踪用户活动和设计强大的模型来获取转化意向的隐含信号，从而提高预测概率的可靠性和精度，并增加对信号影响的可解释性。

Nov, 2019

该论文介绍了一种在分割目标受众群体并在线实验中解决数字广告匹配问题的上下文强化学习算法，并在中国电商平台 JD.com 上实现

Jul, 2019

本研究提出了一种智能平稳控制方法，该方法使用离线和在线数据学习每个广告系列的交付速度，以实现平稳交付和最优表现目标，并在实际 DSP 系统中进行了实现和验证。

Jun, 2015

本文提出了一种基于数据驱动、使用半黑盒模型和高效优化算法的营销预算配置框架，以应对在线业务中动态环境和复杂决策 - making 过程，支持多种业务约束，可以处理大规模的问题，并在阿里巴巴集团的许多场景中取得了成功的应用，离线实验和在线 A/B 测试均证明了其有效性。

Feb, 2019

本文针对 LinkedIn 的销售渠道选择优化问题，通过离散时间仿真实验发现，在考虑资源分配随机性时，相对于基于规则或监督学习的策略，基于多臂老虎机算法的策略（LinUCB）能够实现互联网广告的有效增量提升。

Sep, 2022

利用丰富的消费者行为数据，我们引入了一个统一的深度学习消费者细分框架 UNICON，用于提取两种关键类型的细分，即 “类似人群”，通过类似行为扩展预定义目标种子段与消费者的行为相似者，以及 “数据驱动”，揭示具有相似关联性的非显而易见的消费者细分。通过大量实验，我们展示了该框架在时尚领域中识别类似设计师受众和数据驱动风格细分方面的效果，并展示了如何将细分信息与基于超和基于群体的个性化相结合的混合推荐系统中，以充分利用两种选择的优势并改善消费者体验。

Sep, 2023

本研究将顺序广告策略优化建模为动态背包问题，并提出了一种具有理论保证的二层优化框架，以显著降低原始优化空间的解决方案，同时确保解决方案的质量，进一步地通过缩小行动空间提高了增强学习的探索效率。离线和在线实验表明，相比工艺水平的基线方法，我们的方法在累计收入方面表现优异。

Jun, 2020