提出了一种基于图形意图网络 (Graph Intention Network, GIN) 的策略，以解决用户意图和行为稀疏问题。 GIN 方法是首先引入图形学习，通过图扩散和附加商品的共现关系来丰富用户行为以解决行为稀疏问题，并缓解了弱泛化问题。该方法不仅在真实世界的电子商务平台数据上取得了良好的离线结果，而且在线实验中也取得了显著的 CTR 改进。

Mar, 2021

本文旨在提高 CTR 预测模型的性能。我们提出了一种名为 Dual Graph enhanced Embedding（DG-ENN）的神经网络模型，它包括两个策略来解决现有模型在稀疏特征或行为情况下性能降低的问题，并已在实际工业数据集上得到验证。

Jun, 2021

本文提出了一种基于三角形图的用户兴趣推荐框架 TGIN，通过提取邻近点击物品的三角形图模式来捕捉用户的真实动机，扩大了用户兴趣的探索机会，并借助多层兴趣聚合方法提高了 CTR 预测的准确性。

Feb, 2022

本文提出一种新的推荐问题，即可以明确引起用户瞬时兴趣的触发项，并根据其推荐相关的库存项。通过在真实的电子商务平台上的离线和在线评估，本研究证明了 Deep Interest Highlight Network (DIHN) 在 Trigger-Induced Recommendation (TIR) 场景下胜过现有的方法。

Feb, 2022

提出一种使用基于邻域的交互方法的 Ctr 预测模型，该模型考虑了异构信息网络环境下的推荐系统，采用各种显式和隐式相互作用方式进一步指导本地邻域的表示学习，并在真实数据上表现出较大优势。

Jan, 2022

通过深度分组兴趣网络及 Transformer 技术，研究从用户终身行为序列中提取用户兴趣，预测点击率，并验证了该方法的效果和效率。

Nov, 2023

本文提出了一种名为深度兴趣演化网络（DIEN）的新模型，用于 CTR 预测，该模型通过设计兴趣提取器层和兴趣演变层，从用户历史行为序列中捕捉时间性兴趣，并在实验中取得了显著的性能提高。

Sep, 2018

论文提出了一种名为 Deep Session Interest Network (DSIN) 的模型，它利用了用户历史行为序列中的多个会话，并将自我注意机制与双向 LSTM 相结合，以建模用户的兴趣演化，并通过局部激活单元自适应地学习各种会话对目标项目的影响，从而在在线广告和推荐系统等工业应用中提高了点击率（CTR）预测的准确性。

May, 2019

通过模型命名为深度上下文兴趣网络 (DCIN)，本文突出了上下文信息对用户行为建模的重要性，并提出了一种可完整建模点击及其显示上下文以了解用户上下文感知兴趣的新模型。通过离线和在线评估，显著改善了性能，证明了所提出的 DCIN 方法的优越性。特别值得注意的是，已在我们的在线广告系统上部署了 DCIN，为主要流量带来了 1.5% 的 CTR 和 1.5% 的 RPM 提升。

Aug, 2023

本文提出一种名为 HIFN 的层次兴趣融合网络，该网络通过包含短期兴趣提取器、长期兴趣提取器、兴趣融合模块和兴趣解缠模块这四个基本模块，有效地提取和融合用户的短期和长期兴趣，以提高个性化产品搜索中的点击率预测效果。

Apr, 2023