- DynInt: 大规模点击率预测的动态交互建模
本文提出了一种新型神经网络：DynInt，通过动态交互模式，实现了更好的 CTR 预测，实验结果表明 DynInt 模型在真实世界数据集上比现有模型更高效、更有效。
- xDeepInt：建模向量和位特征交互的混合架构
本文提出了一种基于多项式交互网络的模型 xDeepInt，可用于学习在端到端方式中高阶矢量交互作用，并能平衡矢量与位交互作用的混合。通过将子空间交叉机制整合到模型中，我们可以在有限的订单内平衡二者特征交互的组合，并通过自定义的联合优化策略进 - WSDMCL4CTR: 用于 CTR 预测的对比学习框架
本文提出了一种基于自监督学习的 Click-Through Rate (CTR) 预测框架 (CL4CTR)，采用三种自监督学习信号作为特征表征学习的正则化项以提高 CTR 预测性能，并在四个数据集上实验证明其与各种代表性基线相比具有卓越的 - MM深度意图感知网络用于点击率预测
本文提出 “Deep Intention-Aware Network” 模型来解决在 Mini-Apps 中的 “Trigger-Induced Recommendation” 场景中存在的 CTR 预测问题，该模型通过识别用户的个性化进入 - 通过元学习在 CTR 预测中利用残差用户偏好来热身冷用户
该论文提出了一种名为 RESUS 的新方法，通过学习全局用户首选项和个人用户残留偏好，从而有效提高了在冷用户上的点击率（CTR）预测精度。
- 推荐系统中基于标签纠正的设备端模型微调
本研究针对推荐系统中的 CTR 预测任务，研究了如何在移动设备上有效地进行本地微调，提出了一种新的标签修正方法，并通过离线评估和在线 A/B 测试证明了它的必要性和优越性。
- 深度点击率预测模型过拟合现象的理解
本研究表明，深度学习在工业推荐系统中得到了广泛的应用，但其模型在推荐系统中的过拟合问题受到的关注较少，而在点击率（CTR）预测中，出现了一个有趣的一次过拟合问题：模型性能在第二次迭代的开始时急剧下降，因此，通常使用仅一次迭代训练时性能最佳。 - Meta-Wrapper: CTR 预测中用户兴趣选择的可微分 Wrapping 算子
本文提出了一种名为 Meta-Wrapper 的深度学习框架，在 CTR 预测中用于用户兴趣筛选，该方法采用了注意力机制和元学习算法以实现包装器方法的特征选择，并在三个公共数据集上进行了广泛实验验证。
- 采样即可：长期用户行为建模用于 CTR 预测
本文提出了一种采用多哈希函数进行采样的端到端模型 SDIM，来模拟用户的长期行为数据，并且通过设计一种名为 BSE 的模块，与 SDIM 相结合来加速 CTR 模型，通过离线和在线实验验证了 SDIM 的有效性。
- SIGIR基于混合卷积神经网络和类别先验的用户图像行为建模注意力机制
本文介绍了如何通过混合 CNN 技术和类别先验信息，在 CTR 预测中提高广告点击率，取得了显著的后验实验结果和在线实验结果。
- SIGIR使用上下文感知特征表示学习提高 CTR 预测
本文中提出的特征精炼网络 (FRNet) 可在不同上下文中学习以比特级为单位的特征表示，以提高 CTR 预测精度。FRNet 包括信息抽取单元 (IEU) 和互补选择门 (CSGate) 两个关键组成部分，能兼容现有的 CTR 方法，并通过 - AAAICowClip: 在单个 GPU 上将 CTR 预测模型训练时间从 12 小时减少到 10 分钟
文章提出了一个适用于点击率预测模型的大批量训练方法，针对批次大小扩展时的参数调整问题，介绍了自适应列裁剪法（CowClip）来调整嵌入层参数，成功将模型的批处理大小扩展到原来的 128 倍，并在不损失准确度的情况下缩短了训练时间。
- 关于 CTR 预测中概念漂移的适应性
本文提出了一种新的自适应专家混合（AdaMoE）框架，通过对 CTR 预测数据流中的统计加权策略来缓解概念漂移问题，并通过基准和实际工业数据集的大量离线实验以及在线 A / B 测试表明，AdaMoE 明显胜过所有考虑的增量学习框架。
- 知识蒸馏下的位置偏差建模思考与 CTR 预测
提出一种基于知识蒸馏的简单而高效的方法，以缓解位置偏差的影响，利用位置信息来提高 CTR 预测性能。在真实世界的生产数据集和在线 A/B 测试中，该方法取得了显著的性能改善，并已在全球最大电商平台的主要流量服务中部署。
- APG: 自适应参数生成网络用于点击率预测
本文提出了一种称为 APG 的高效，有效和通用的模块，可以根据不同实例动态地为深度 CTR 模型生成参数，从而显著提高性能和减少时间成本和内存使用。
- DHEN: 用于大规模点击率预测的深度和分层集成网络
DHEN 是一种深度和分层集成架构，可以利用异构交互式模块的优势，并以不同顺序学习交互作用的层次结构。在大规模的 CTR 预测任务中进行的实验表明，DHEN 的效果很好，达到了预测的标准化熵（NE）提升了 0.27％，训练吞吐量比现有技术基 - 在线广告中的点击率预测：文献综述
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 - 基于邻居交互的图遮盖变换器点击率预测
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。
- WWW使用变分嵌入学习框架缓解 CTR 预测中的冷启动问题
Proposing a Variational Embedding Learning Framework (VELF) that addresses the cold start problem via the learning of pr - MISS: 多兴趣自监督学习框架用于点击率预测
提出了一种基于 Multi-Interest Self-Supervised learning 的 CTR 预测框架，使用 CNN-based multi-interest extractors 提取不同兴趣表示中的自监督信号，并应用对比学