该论文介绍了基于对比学习的对应搜索状态下的对比时空表示学习（CSRL），对应的选址偏好提取器（StPE）和对触发重要特征的时空信息过滤器（StIF）三个模块，通过在多个大规模工业数据集进行的实验证明了 CSPM 的最新性能，CSPM 已成功在阿里巴巴的在线送餐平台饿了么上部署，提高了 0.88% 的点击率，具有重要的商业影响。

Aug, 2023

本文提出采用 CMDP 框架和模型规划相结合的学习算法，解决了在线商业活动中如何高效地分配奖励从以往的历史订单数据中学习策略的问题。实验结果表明了本方法的有效性。

Mar, 2023

该论文探讨了在线凸优化涉及敌对损失函数和敌对约束的情况，开发了一种修改的在线鞍点（MOSP）方案，并在动态网络资源分配任务中进行了应用，证明了其相对于梯度方法的性能优势。

Jan, 2017

基于时空信息的在线位置服务对于点击率预测任务具有重要意义，尤其是在主流的美团、饿了么等在线订餐平台中。本文通过设计一种名为 “Fragment and Integrate Network（FIN）” 的新型时空建模范式，解决了现有方法在表示丰富的时空信息和处理有限长度用户行为方面的问题。通过对公共数据集和生产数据集进行实证分析，验证了 FIN 的准确性和可扩展性。自 2022 年以来，FIN 已在中国最受欢迎的在线订餐平台之一 “饿了么” 的推荐广告系统中全面部署，并在点击率（CTR）上获得了 5.7% 的改进和每千次展示收入（RPM）上的 7.3% 增加。

Aug, 2023

在线到离线推荐与用户和服务的时空信息密切相关，因此需要更高程度的模型个性化。传统方法基于通过收集的集中数据进行训练的统一模型结构，不太可能捕捉到不同地理区域或时间段的所有用户模式。为了解决这个挑战，我们提出了一种称为 GeoGrouse 的地理群组特定建模方法，同时研究用户偏好的通用知识和群组特定知识。我们采用自动分组范例并基于用户的地理分组指标进行验证。通过离线和在线实验验证了我们的方法的有效性，并实现了实质性的业务改进。

Dec, 2023

本文针对在线旅游平台的营销问题，提出了一种基于背包问题优化的新型提升建模技术，采用回溯估计模型、在线动态校准等方法，成功地在满足金融限制的同时提高了目标结果，并超越了其他方法。

Aug, 2020

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

该论文提出了一个名为 Neural Optimization with Adaptive Heuristics (NOAH) 的通用框架，用于处理计算化营销中的挑战，并详细描述了其在 LinkedIn 的电子邮件营销系统中成功应用的例子和对相关领域的启示。

May, 2024

对于最后一公里物流的利润能有着直接和间接的影响，而居家送货失败、交通拥堵以及较长的处理时间都是其负面因素之一。其中，向包裹柜或包裹店的投递，即所谓的户外投递，在学术文献中对于户外投递的顾客行为模型通常只考虑了确定性的情况，但实际顾客的选择具有随机性。本研究提出了一种动态选择和定价户外投递的算法，通过对顾客未来的到达和选择进行建模，以及使用一种新颖的时空状态编码和卷积神经网络进行输入。经过在真实数据的基础上进行的大规模数值研究表明，相比没有户外投递的情况，DSPO 算法能节约 20.8% 的成本，相比于静态选择和定价策略，能节约 8.1% 的成本，并且相比于当前最先进的需求管理基准，能节约 4.6% 的成本。我们的研究提供了对户外投递动态与顾客行为及定价策略之间复杂相互作用的全面洞察，强调了随着户外投递的市场份额增加，企业应采用动态选择和定价策略。

Nov, 2023

在这项工作中，我们考虑了一种更加普遍但具有挑战性的约束模型优化问题（CoMBO），其中只有部分设计空间可以进行优化，而其余部分受到环境的约束。我们提出了一种新的推理增强的离线模型优化方法（ROMO），它通过检索离线数据集并聚合相关样本来提供可信的预测，然后在此基础上进行梯度优化。ROMO 在 CoMBO 设置中表现出色，优于最先进的方法。

Oct, 2023