- MM用户偏好动态下的推荐系统伤害缓解
研究考虑了推荐系统、用户兴趣演化以及有害内容之间的相互作用，建模了推荐对用户行为的影响，特别是对有害内容消费的倾向性。旨在找到在最大化点击率（CTR）和减轻伤害之间建立权衡的推荐策略，并提出了在稳态下找到最优推荐策略的算法。在以真实数据初始 - 在电子商务广告中使用深度兴趣网络模型预测点击率
本文提出了一种使用深度兴趣网络（DIN）模型来增强点击率（CTR）预测模型的新方法，特别应用于阿里巴巴淘宝平台的广告系统。与传统的深度学习方法不同，本研究侧重于利用广泛的用户行为数据进行定位用户行为激活以实现定制广告定位。与传统模型相比，该 - 点击率预测的检索导向知识
本文提出了一种通用的即插即用检索导向的知识（ROK）框架，通过设计一个知识库，利用知识蒸馏和对比学习方法来优化知识库，并将学习到的检索增强表示与任意 CTR 模型以实例级和特征级的方式进行集成，从而实现了与基于检索的 CTR 模型相当的性能 - HELLINGER-UCB: 一种用于随机多臂赌博问题和推荐系统冷启动问题的新算法
我们研究了随机多臂赌博问题，提出了一种新的基于 Hellinger 距离的上界置信度算法 Hellinger-UCB，并通过数值实验证明其在有限时间范围内有效。我们将 Hellinger-UCB 算法应用于解决金融应用程序内容推荐系统的冷启 - WWWPPM: 预训练插件模型用于点击率预测
点击率（CTR）预测是推荐系统中的核心任务。我们提出了一种名为 PPM 的预训练插件 CTR 模型，通过利用多模态特征作为输入并利用大规模数据进行预训练，将 PPM 插入 IDRec 模型以提高统一模型的性能和迭代效率。在 JD 电商进行的 - GCOF: 使用大型语言模型的自我迭代文案生成
引入了遗传拷贝优化框架 (GCOF)，该框架通过在大型语言模型 (LLM) 的提示中进行显式特征工程以及修改遗传算法 (GA) 中的交叉运算符，实现了自我迭代改进营销文案的效率和参与度，并且与人工构建的文案相比，所生成的营销文案在点击率 ( - 一种稳定扩散模型的点击率创新生成流程
我们提出了一个新的自动化的点击率创意生成流水线（CG4CTR），旨在改进创意生成阶段的点击率。我们的贡献有 4 个方面：1）将填充模式应用于在线广告场景的创意生成任务。提出了一个自我循环生成流水线，以确保训练的收敛性。2）设计了提示模型，为 - GACE：学习基于图的跨页面广告嵌入用于点击率预测
本文提出了一种基于图的跨页面广告嵌入生成方法（GACE），通过多页历史广告数据的联合使用和新广告的冷启动来改善在线广告推荐系统，采用变分自编码器预训练模块生成新旧广告的嵌入表示，在公共数据集 AliEC 和阿里巴巴支付宝的真实行业数据集上进 - 全生命周期用户行为的深度兴趣建模用于 CTR 预测
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。
- ALT: 语言和 CTR 模型之间的细粒度对齐性，用于点击率预测
本文提出了一种新颖的基于 Fine-grained Feature-level Alignment 的语言模型和点击率（CTR）预测模型，通过协同建模和语义知识提取，实现了文本模态和表格模态之间的特征交互和对齐，取得了比现有方法更好的实验结 - ClickPrompt：CTR 模型是将语言模型用于 CTR 预测的强大提示生成器
本研究提出了一个新的模型无关框架（ClickPrompt），通过将 CTR 模型与预训练语言模型结合，旨在同时建模语义知识和协同知识，解决 CTR 估计的推理效率问题。实验证明 ClickPrompt 相较于现有基准模型具有显著的效果。
- 上下文环境中的二价点击计费竞拍在线学习
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。
- 时序兴趣网络用于点击率预测
通过分析和评估用户行为与目标之间的四重语义和时间相关性，本文提出了一种名为 Temporal Interest Network (TIN) 的模型，并证明它能有效地学习这种四重相关性，从而显著提高了性能。
- 深度上下文兴趣网络用于点击率预测
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 - ESMC: 基于参数约束的全空间多任务模型用于后点击转化率
大规模在线推荐系统中，点击率和后点击转化率是两个基本任务。本文提出了基于条件概率和参数约束策略的新型整体空间多任务模型，以解决概率空间混淆问题，并通过离线和在线环境的实验证明其优越性。
- 基于图形的长短期兴趣模型用于点击率预测
本文提出一种名为 GLSM 的基于图形的长短期兴趣模型，它包含用于捕捉长期用户行为的多兴趣图形结构，用于建模短期信息的多场景异构序列模型以及自适应融合机制来融合长期和短期行为的信息，并在实际应用中展示出了显著的 CTR 和 GMV 提升。
- 超越排名：探索 SERP 特徵对有機点击率的影响
研究搜索引擎结果页面和其中的要素对点击率和网站流量的影响，揭示 SERP 特征不仅是美学组成部分，还能强烈影响用户行为。通过模拟点击率，演示了这些要素的逐步预测能力。
- DELTA: 推荐系统中的直接嵌入增强和截断意识注意力利用
提出 DELTA 算法用于提高 CTR 预测准确率，通过意识截断模块和直接嵌入增强模块实现对关键特征交叉的强化，实验证明其在 CTR 任务中表现优异。
- SIGIR始终强化优势：基于漂移感知的增量学习框架用于 CTR 预测
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 - 层级融合长短期用户兴趣用于产品搜索中点击率预测
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。