研究在线学习在上下文广告竞拍中的应用，通过算法获得最小化收入损失的目标，针对点击率进行估计，提出了两种有效的上下文拍卖算法，并通过实验验证了其有效性和超凡性能。

Oct, 2023

研究如何设计损失函数来优化广告拍卖中的（社会）福利，提出了一种新的加权排名损失来训练点击率模型，并通过在使用教师网络产生的标签上进行损失校准来证明其优越性。

Jun, 2023

本论文提出了一种新的基于高斯过程的深度不确定性感知学习 (DUAL) 方法来学习基于 CTR 的广告排名策略，通过提供预测不确定性估计，顺利解决了 CTR 预测方法中缺乏探索的问题，并在阿里巴巴展示广告平台上通过联合社会福利和收入提高实现了广告效益的改进。

Nov, 2020

该论文扩展了有关单 Slot 拍卖中的 sponsored search auctions 的机制设计的研究，并研究了使用级联模型来解决多 Slot 拍卖中的 CTR 估计和真实机制设计的问题。

May, 2014

本文研究计算广告中的关键问题之一：在线广告拍卖中点击率和转化率的预测，分析了前沿的转化建模方法中存在的非均匀误差成本问题，提出基于商业价值权重日志损失的模型训练方法，实验结果表明，该方法可以显著提高模型的离线和在线性能表现。

Mar, 2016

本文系统地回顾了 CTR 预测领域的最新研究进展及其建模框架，着重介绍了基础建模框架及其拓展，对其优缺点和预测性能进行了分类总结，并结合各类数据集对不同复杂度和要素相互作用顺序进行了性能比较。同时，本文还识别出当前研究趋势、主要挑战和未来研究方向，为有意从事该领域的学者提供了基础知识和高效的进入点。

Feb, 2022

自动投标算法是广告主在在线广告平台上优化广告活动的方式之一，本研究通过设计在线自动投标算法来实现广告主在预算和投资回报率限制下的价值最大化，研究还包括竞标优化、价值分布和成交价相关性等方面。

Apr, 2024

本文提出了一种基于集成学习的漂移感知增量学习框架，通过明确基于错误的流数据漂移检测，进一步加强适应良好的集合，并冻结不匹配的集合，避免了灾难性干预，从而解决了 CTR 预测中的灾难性遗忘问题。离线实验和 A/B 测试结果表明，该方法优于所有基线方法。

Apr, 2023

本研究提出了一种增量学习框架，用于 Click-Through-Rate (CTR) 预测，并展示了其在 Taboola 庞大规模推荐服务中的有效性。通过从以前部署的模型进行暖启动和仅在 “新鲜” 的数据上微调，我们的方法可以快速捕捉新兴趋势，并通过教师 - 学生范式来保留过去的知识。我们的增量学习框架可以实现显着更快的训练和部署周期（12 倍加速）。我们在多个流量段上证明了一致的 Revenue Per Mille (RPM) 增长和新引入项目的 CTR 显著增加。

Sep, 2022

我们研究了在线广告中的买方定价、多次交互和卖方算法，包括买方价值分布推断、策略性遗憾和卖方长期收入最大化。我们定义了策略性遗憾的自然概念，介绍了卖方算法，分析了买方的贴现能力。该文阐述了任何卖方算法在没有贴现时都将遭受线性策略性遗憾。

Nov, 2013