A Graph-Enhanced Click Model for Web Search
Shanghai Jiao Tong University（上海交通大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
为了更好地利用搜索日志和模型用户的行为模式，许多点击模型被提出来提取用户的隐式交互反馈。大多数传统的点击模型是基于概率图模型（PGM）框架，这需要手动设计的依赖关系，并可能过度简化用户的行为。最近，提出了基于神经网络的方法，通过增强表达能力和允许灵活的依赖关系来提高用户行为的预测精度。然而，它们仍然遭受数据稀疏和冷启动问题。在本文中，我们提出了一种新的图形增强点击模型（GraphCM）的Web搜索。首先，我们把每个查询或文档作为一个顶点，并提出了新的同构图的查询和文档分别构造方法，充分利用会话内和会话间的稀疏性和冷启动问题的信息。其次，根据检验假设，分别对吸引力估计器和检验预测器进行建模，输出吸引力得分和检验概率，并利用图神经网络和邻居交互技术提取编码在预构造的齐次图中的辅助信息.最后，我们应用组合函数将检查概率和吸引力分数整合到点击预测中。在三个真实世界的会话数据集上进行的大量实验表明，GraphCM不仅优于最先进的模型，而且在解决数据稀疏性和冷启动问题方面也取得了优异的性能。
2022-08-22 cs.AI cs.IR
GACE: Learning Graph-Based Cross-Page Ads Embedding For Click-Through Rate Prediction
AntGroup（蚂蚁集团）
本文提出GACE方法，通过构建融合语义和页面属性的图模型并结合变分自编码预训练，为跨页面广告生成嵌入表示，有效解决多页面数据联合使用和新广告冷启动问题，在公开及真实数据集上显著提升CTR。
2024-01-15 cs.AI cs.IR cs.LG
Click-through Rate Prediction with Auto-Quantized Contrastive Learning
Shanghai Jiao Tong University（上海交通大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Hong Kong Baptist University（香港浸会大学）
点击率（CTR）预测成为无处不在的Web推荐应用中不可或缺的。然而，当前的方法在用户交互极其稀疏的冷启动场景下挣扎。我们认为这个问题是一个自动识别的用户行为是否足够丰富，以捕捉预测的兴趣，并提出了一个自动量化的对比学习（AQCL）损失正则化模型。与以往的方法不同，AQCL同时利用实例-实例和实例-聚类的相似性来增强潜在表示的鲁棒性，并自动减少由于量化而导致的主动用户的信息损失。所提出的框架对不同的模型架构是不可知的，并且可以以端到端的方式进行训练。广泛的结果表明，它一贯改善目前的国家的最先进的CTR模型。
2021-09-27 cs.AI cs.IR cs.LG
MARec: Metadata Alignment for cold-start Recommendation
针对推荐系统冷启动场景下点击矩阵稀疏的问题，提出MARec元数据对齐方法，可增强现有推荐算法，在多数据集上大幅超越SOTA，暖启动场景下也极具竞争力。
2024-12-10 cs.IR cs.SY eess.SY
LPFS: Learnable Polarizing Feature Selection for Click-Through Rate Prediction
在工业中，特征选择是一个标准但必要的步骤，用于搜索最佳的信息特征字段集，以高效和有效地训练深度点击率（CTR）模型。以往的研究大多采用连续权值来度量特征字段的重要性，然后去除权值较小的特征字段。然而，删除许多与小但不精确的零权重相对应的特征将不可避免地损害模型性能，并且对热启动模型训练不友好。也没有理论保证权重的大小可以代表重要性，因此如果使用这些方法，可能会导致次优结果。为了解决这个问题，我们提出了一种新的可学习极化特征选择（LPFS）方法使用平滑的$\ell^0$函数在文献中。此外，我们扩展LPFS到LPFS++我们新设计的平滑$\ell^0$ -喜欢的功能，以选择一个更丰富的功能子集。LPFS和LPFS++可以用作插入深度网络输入端的门，以控制每个功能的活动和非活动状态。当训练结束时，一些门是精确的零，而另一些门是在1附近，这特别受到行业中实际热启动训练的青睐，因为在去除与精确零门对应的特征之前和之后，对模型性能没有损害。实验结果表明，本文提出的方法在性能上明显优于其他方法，并在快手科技上取得了很好的A/B测试结果。
2022-09-03 cs.IR
Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction
New York University（纽约大学）；Alibaba Youku Cognitive and Intelligent Lab（阿里巴巴优酷认知与智能实验室）
跨领域推荐系统是解决冷启动和稀疏性问题的一种有效方法，它可以在多个类别域之间聚合和传递用户偏好。因此，它有很大的潜力，以提高点击率预测性能的在线商务平台，具有许多领域的产品。虽然已经提出了几种跨域顺序推荐模型来利用来自源域的信息来改善目标域中的CTR预测，但是它们没有考虑跨源-目标域对的用户偏好的双向潜在关系。因此，它们不能同时为两个域提供增强的跨域CTR预测。在本文中，我们提出了一种新的方法，跨域顺序推荐的基础上的双重学习机制，同时在两个相关的域之间的信息，以迭代的方式，直到学习过程稳定。特别是，提出的双注意顺序学习（DASL）模型由两个新的组件双嵌入和双注意，共同建立两个阶段的学习过程：我们首先构建双潜在嵌入，同时提取用户在两个领域的偏好，随后通过双注意学习机制，通过匹配提取的潜在嵌入与候选项提供跨域的建议。我们在三个真实世界的数据集上进行了广泛的离线实验，以证明我们提出的模型的优越性，该模型在所有实验设置中显著且一致地优于几个最先进的基线。我们还在一个主要的视频流媒体平台阿里巴巴-优酷进行了在线A/B测试，我们提出的模型在公司最新的生产系统上显着提高了业务性能。
2021-06-05 cs.IR cs.LG
COINS: SemantiC Ids Enhanced COLd Item RepresentatioN for Click-through Rate Prediction in E-commerce Search
Kuaishou Inc.（快手公司）
COINS通过融合语义ID的协同信息与内容信息，提升冷启动物品的点击率预测精度，实现电商搜索的多样性与推荐效果的双重提升。
2026-01-15 cs.AI cs.IR
Self-Balancing Gradient Allocation for Heterogeneity-Aware Feature Generation in Click-Through Rate Prediction
Alibaba Group（阿里巴巴集团）
针对生成式CTR方法中重建目标忽略特征场异构性导致难场欠拟合的问题，提出HeteGenCTR，通过可学习的场难度参数联合训练去噪网络，实现自平衡损失和难度引导注意力机制，在五个基准和在线A/B测试中取得显著提升。
2026-05-24 cs.IR cs.LG
SaviorRec: Semantic-Behavior Alignment for Cold-Start Recommendation
针对推荐系统中冷启动/长尾物品推荐性能弱、多模态表征与排序模型联合训练成本高的问题，提出轻量的语义-行为对齐框架SaviorRec，通过行为感知多模态编码和残差量化语义ID实现对齐，在Taobao平台取得显著效果提升。
2025-08-02 cs.IR
Addressing Cold Start For next-article Recommendation
University of Minnesota（明尼苏达大学）
本研究将ALMM模型改造用于MIND数据集上的新闻推荐，通过顺序点击建模和BERT/TF-IDF特征提取，在冷启动场景下优于基线模型，但指出最小修改的ALMM不适用。
2025-08-01 cs.IR cs.LG
IDProxy: CTR Prediction with Multimodal LLMs for Cold-Start Recommendation at Xiaohongshu
Xiaohongshu Inc.（小红书公司）；Shanghai Jiao Tong University（上海交通大学）；Fudan University（复旦大学）
IDProxy通过多模态大语言模型生成代理嵌入，解决广告和推荐系统中物品冷启动的CTR预测问题，实现与现有嵌入空间的对齐和端到端优化，已在小红书大规模应用。
2026-09-22 cs.IR cs.LG
Multi-Epoch learning with Data Augmentation for Deep Click-Through Rate Prediction
Kuaishou Technology（快手科技）；Beijing Institute of Technology（北京理工大学）
针对深度CTR模型第二轮训练开始时的嵌入层过拟合问题，提出MEDA框架，通过多嵌入空间训练MLP实现数据增强，并在公开、商业数据集及在线广告系统中验证其优于单轮训练。
2024-06-27 cs.IR cs.LG stat.ML
Cross-domain User Preference Learning for Cold-start Recommendation
DAMO Academy, Alibaba Group（阿里巴巴达摩院）
跨领域冷启动推荐是推荐系统中一个日益重要的问题。现有的工作主要集中在解决跨域用户推荐或冷启动内容推荐。然而，当一个新的领域在其早期阶段发展时，它的潜在用户类似于源领域，但交互少得多。从源域学习用户的偏好并将其转移到目标域是至关重要的，特别是在用户反馈有限的新到达的内容上。为了弥合这一差距，我们提出了一个自我训练的跨领域用户偏好学习（COUPLE）框架，针对冷启动推荐与各种语义标签，如项目的属性或视频的类型。更具体地说，我们考虑三个层次的偏好，包括用户历史，用户内容和用户组提供可靠的推荐。通过由域感知的顺序模型表示的用户历史，频率编码器被应用于用于用户内容偏好学习的底层标签。然后，提出了一个层次记忆树与正交节点表示，以进一步推广跨域的用户组偏好。整个框架采用先进先出（FIFO）队列以对比的方式更新，以获得更独特的表示。在两个数据集上的大量实验证明了COUPLE在用户和内容冷启动情况下的效率。通过部署一周的在线A/B测试，我们发现COUPLE的点击率（CTR）优于淘宝APP上使用的其他基线。目前该方法已在线服务于跨域冷微视频推荐。
2021-12-07 cs.IR cs.LG
BayesCNS: A Unified Bayesian Approach to Address Cold Start and Non-Stationarity in Search Systems at Scale
Apple（苹果公司）
本文提出统一贝叶斯在线学习框架 BayesCNS，通过持续更新用户—物品交互先验并由排序器引导探索，解决大规模搜索中的冷启动与非平稳分布变化问题，线上新物品交互提升10.60%。
2024-12-10 cs.IR cs.LG
PPM : A Pre-trained Plug-in Model for Click-through Rate Prediction
Jingdong Group（京东集团）
针对IDRec方法在冷启动和训练数据利用上的局限，提出预训练插件模型PPM，采用多模态特征预训练并插入IDRec，通过缓存中间结果实现端到端部署，在京东电商离线实验和在线A/B测试中验证了高效性与有效性。
2024-03-15 cs.AI cs.IR
LLM-Derived Priors for Thompson Sampling in Cold-Start Comment Recommendation
NAVER WEBTOON
该研究提出用大语言模型（LLM）从评论文本提取语义信号生成贝叶斯先验，用于冷启动评论推荐的汤普森采样，经在线A/B/C测试验证其在稀疏反馈场景中效果显著。
2026-08-05 cs.IR cs.LG
An Incremental Learning framework for Large-scale CTR Prediction
Deeplab（深度实验室）
在这项工作中，我们介绍了一个增量学习框架的点击率（CTR）预测，并证明其有效性Taboola的大规模推荐服务。我们的方法可以通过从以前部署的模型进行热启动并仅对“新鲜”数据进行微调来快速捕获新兴趋势。过去的知识是通过师生范式来保持的，在这种范式中，教师充当了一种蒸馏技术，减轻了灾难性遗忘现象。我们的增量式学习框架能够显著加快培训和部署周期（12倍加速）。我们展示了一致的每千收入（RPM）电梯在多个交通段和显着的CTR增加新推出的项目。
2022-09-01 cs.IR cs.LG
Behavioral Feature Boosting via Substitute Relationships for E-commerce Search
Amazon（亚马逊）
通过利用产品间的替代关系，BFS方法有效缓解电子商务新商品的冷启动问题，提升搜索相关性和用户体验。
2026-02-16 cs.IR
From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models
University of Science and Technology of China（中国科学技术大学）；Tencent Inc（腾讯公司）
本文提出监督特征生成框架，通过生成范式改进CTR预测模型，有效缓解嵌入崩溃和信息冗余问题，提升模型性能。
2025-12-16 cs.IR
Audience Expansion for Multi-show Release Based on an Edge-prompted Heterogeneous Graph Network
Tencent Video（腾讯视频）
本文提出基于边提示异构图网络的两阶段受众扩展方案，通过利用多类型交互和特征生成新节目嵌入，解决视频平台新节目冷启动与大规模用户定向问题。
2023-04-08 cs.AI cs.IR cs.SI
Warm Up Cold-start Advertisements: Improving CTR Predictions via Learning to Learn ID Embeddings
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；IIIS, Tsinghua University（清华大学交叉信息研究院）
点击率（CTR）预测一直是计算广告中最核心的问题之一。最近，产生广告ID的低维表示的嵌入技术大大提高了CTR预测精度。然而，这种学习技术需要大量的数据，并且在记录数据很少的新广告上效果很差，这就是所谓的冷启动问题。在本文中，我们的目标是提高CTR预测在冷启动阶段和热身阶段，当一个新的广告被添加到候选池。我们提出了元嵌入，一个基于元学习的方法，学习新的广告ID生成理想的初始嵌入。所提出的方法通过利用先前通过基于梯度的元学习的广告来训练用于新广告ID的嵌入生成器。换句话说，我们的方法学习如何学习更好的嵌入。当一个新的广告出现时，经过训练的生成器通过提供其内容和属性来嵌入其ID。接下来，与现有的初始化方法相比，当有几个标记的示例可用时，生成的嵌入可以在预热阶段加速模型拟合。在三个真实世界数据集上的实验结果表明，元嵌入可以显着提高六个现有CTR预测模型的冷启动和预热性能，从轻量级模型（如因子分解机）到复杂的深度模型（如PNN和DeepFM）。以上所有内容也适用于转化率（CVR）预测。
2019-04-25 cs.IR cs.LG stat.ML
Cold-Starting Podcast Ads and Promotions with Multi-Task Learning on Spotify
Spotify
本文提出基于Spotify播客生态的多任务学习模型，通过统一建模策略提升广告和推广的冷启动性能，降低eCPS并提高播客流率。
2026-01-05 cs.IR
Multimodal Foundation Model-Driven User Interest Modeling and Behavior Analysis on Short Video Platforms
Washington University in St. Louis（圣路易斯华盛顿大学）；Columbia University（哥伦比亚大学）；Amazon（亚马逊）；Johns Hopkins University（约翰斯·霍普金斯大学）；Vanderbilt University（范德堡大学）；Boston University（波士顿大学）
针对传统单模态兴趣建模方法在短视频多模态内容环境下的局限，提出基于多模态基础模型的用户兴趣建模框架，结合跨模态对齐与行为特征嵌入，在多任务上取得显著提升并增强推荐可解释性。
2025-09-05 cs.IR cs.LG
Multi-Behavior Recommendation with Cascading Graph Convolution Networks
多行为推荐，利用辅助行为（例如，点击和购物车）来帮助预测用户对目标行为的潜在交互（例如，购买）被认为是缓解推荐中的数据稀疏或冷启动问题的有效方式。在现实世界的应用中，多行为通常以某些顺序进行（例如，点击>购物车>购买）。在行为链中，后一个行为通常比前一个行为表现出更强的用户偏好信号。大多数现有的多行为模型无法在行为链中捕获这种依赖关系以用于嵌入学习。在这项工作中，我们提出了一种新的多行为推荐模型与级联图卷积网络（命名为MB-CGCN）。在MB-CGCN中，从一个行为中学习到的嵌入在特征转换操作后用作下一个行为嵌入学习的输入特征。通过这种方式，我们的模型明确地利用了嵌入学习中的行为依赖性。在两个基准数据集上的实验证明了该模型在利用多行为数据方面的有效性。在Recall@10和NDCG@10方面，它在两个数据集上的平均表现分别优于最佳基线33.7%和35.9%。
2023-03-28 cs.IR
Warming Up Cold-Start CTR Prediction by Learning Item-Specific Feature Interactions
针对推荐系统中新物品冷启动CTR预测难题，提出EmerG方法，通过超网络生成物品专属特征图结合定制GNN捕捉任意阶特征交互，辅以元学习策略降低过拟合，在不同数据量场景下均取得最优性能。
2024-07-14 cs.IR
Zero Shot on the Cold-Start Problem: Model-Agnostic Interest Learning for Recommender Systems
NetEase Cloud Music, NetEase Inc.（网易云音乐，网易公司）
用户行为已被验证为有效地揭示商业推荐的个性化偏好。然而，对于新用户，几乎没有用户-项目交互可以被收集，这导致他们的兴趣的空空间，即，冷启动困境在本文中，一个双塔框架，即模型无关的兴趣学习（MAIL）框架，提出了解决冷启动推荐（CSR）问题的推荐系统。在MAIL中，一个独特的塔是从zero-shot的角度来处理CSR的，另一个塔专注于一般的排名任务。具体而言，zero-shot塔首先使用双自动编码器执行跨模态重构，以从新用户的高度对齐的隐藏特征中获得虚拟行为数据;然后排名塔可以基于zero-shot塔完成的数据输出对用户的推荐。实际上，MAIL中的排名塔是与模型无关的，可以用任何基于嵌入的深度模型来实现。基于两个塔的共同训练，MAIL提出了一种端到端的推荐系统方法，显示出渐进的性能改善。该方法已成功应用于网易云音乐的直播推荐系统，为数百万用户实现了13%至15%的点击率提升。在真实世界数据集上的离线实验也显示了它在CSR中的优越性能。我们的代码可用。
2021-08-31 cs.AI cs.IR
Beyond Movie Recommendations: Solving the Continuous Cold Start Problem in E-commerceRecommendations
许多电子商务网站使用推荐系统或个性化排名来个性化搜索结果。然而，很大一部分用户没有预先的交互，使得不可能使用协同过滤或依赖用户历史进行个性化。即使是最活跃的用户也可能一年只访问几次，并且可能有不稳定的需求或不同的人物角色，这使得他们的个人历史充其量只是一个稀疏和嘈杂的信号。本文研究了当我们不能依赖于用户历史记录时，其他用户交互的大规模可用性仍然允许我们从上下文数据中构建有意义的配置文件，以及这些上下文配置文件是否有助于定制排名，例如来自主要在线旅行代理Booking.com的数据。我们的主要发现有三个方面：首先，我们从典型的电子商务应用程序的角度来描述连续冷启动问题（CoCoS）。第二，由于在典型的现实世界应用中没有明确的情境上下文，因此大规模使用的事务日志中的隐式线索可以捕获情境上下文的基本特征。第三，可以离线创建上下文用户简档，从而与单个巨大的非上下文模型相比，产生一组较小的模型，使得上下文排名可用，CPU和内存占用可以忽略不计。最后，我们得出结论，在对实时用户的在线A/B测试中，我们的上下文排名器在非上下文基线上大幅提高了用户参与度，点击率（CTR）提高了20%。这清楚地证明了上下文用户简档在真实应用程序中的价值。
2016-07-26 cs.IR
Improving Content Recommendation: Knowledge Graph-Based Semantic Contrastive Learning for Diversity and Cold-Start Users
George Washington University（乔治华盛顿大学）；Comcast（康卡斯特）
针对推荐系统数据稀疏、冷启动和多样性问题，提出混合多任务学习方法，结合用户-物品交互与基于物品的文本对比学习，在保证排名性能的同时提升推荐多样性与冷启动用户体验。
2024-03-27 cs.CL cs.IR
Deep Group Interest Modeling of Full Lifelong User Behaviors for CTR Prediction
University of Science and Technology of China（中国科学技术大学）；Meituan（美团）；University of Electronic Science and Technology of China（电子科技大学）
针对点击率预测中两阶段行为兴趣建模存在信息损失、仅用点击行为不全面的问题，提出DGIN网络，通过分组全量行为、引入双属性结合Transformer建模全生命周期兴趣，兼顾效率与预测精度。
2024-10-29 cs.AI cs.IR
Denoising Implicit Feedback for Cold-start Recommendation
Hong Kong Baptist University（香港浸会大学）；Independent Researcher（独立研究员）；Peking University（北京大学）；Nanjing University（南京大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
针对冷启动推荐中隐式反馈噪声问题，提出模型无关的去噪方法DIF，通过内容相似性推断伪标签并建模置信度与不确定性，在快手应用中显著提升冷启动场景商业指标。
2026-06-19 cs.AI cs.IR cs.MM
SCOUT: Supply-Aware Cold-Start Proactive Query Suggestion for Travel Search
Airbnb, Inc.（爱彼迎公司）
SCOUT提出供给感知的主动查询建议框架，利用供给侧反馈和GRPO优化，解决旅行搜索冷启动问题，提升库存匹配率12.3%并保持多样性。
2026-10-06 cs.IR
Analyzing and Predicting Purchase Intent in E-commerce: Anonymous vs. Identified Customers
电子商业平台的热度持续增长。能够理解和预测客户行为对于通过个性化结果演示、建议和特别优惠来定制用户体验至关重要。以前的工作已经考虑了广泛的预测模型，以及从点击流数据推断的特征来记录会话特征，以及从用户数据推断的特征来记录客户特征。到目前为止，购买预测领域的大多数先前工作都集中在已知客户上，在很大程度上忽略了匿名会话，即，由未登录或未识别的客户发起的会话。然而，在我们可获得的来自欧洲大型电子商业平台的去识别数据中，超过50%的会话以匿名会话开始。在本文中，我们专注于购买预测的匿名和确定的会话上的电子商业平台。我们首先对购买与非购买会话进行描述性分析。这种分析通知的基于特征的模型的定义，用于匿名会话和已识别会话的购买预测;我们的模型考虑了一系列基于会话的匿名会话的特征，如渠道类型，访问页面的数量和设备类型。对于已识别的用户会话，我们的分析将客户历史数据作为购买和非购买会话之间的有价值的数据。根据我们的分析，我们构建了两种类型的预测器：（1）匿名预测器，其F1超过生产就绪预测器的17.54%;（2）使用会话数据和客户历史记录的已识别客户预测器，其F1达到96.20%。最后，我们讨论了我们的研究结果的更广泛的实际意义。
2020-12-16 cs.IR
AliBoost: Ecological Boosting Framework in Alibaba Platform
AliBoost是阿里巴巴提出的生态助推框架，通过分层助推结构、Stacking Fine-Tuning Cold Predictor和面向商品的竞价助推机制，在十亿规模平台上解决冷启动与生态失衡问题，成功提升冷商品点击与GMV超60%。
2025-06-01 cs.IR
A Universal Framework for Compressing Embeddings in CTR Prediction
针对CTR预测中嵌入表过大导致的高内存消耗与高延迟问题，提出模型无关的MEC嵌入压缩框架，经两阶段优化实现50倍以上内存缩减且不损失推荐性能。
2025-02-21 cs.IR
Heterogeneous Graph Neural Networks for Large-Scale Bid Keyword Matching
数字广告是淘宝和亚马逊等许多电子商务平台的重要组成部分。近年来，虽然消费者侧包括ctr/cvr预测等典型问题受到了很多关注，但通过向广告主提供营销工具直接为广告主服务的广告主侧现在扮演着越来越重要的角色。在赞助搜索中，关键词推荐是最基本的服务。本文主要研究关键词推荐中的关键词匹配问题。现有的关键词匹配方法仅考虑基于广告和关键词之间的单一类型关系（例如查询点击或文本相似度）来建模相关性，这忽略了隐藏在它们背后的丰富的异构交互。为了填补这一空白，关键词匹配问题面临着几个挑战，包括：1）如何从各种类型的对象之间的复杂交互中学习丰富和鲁棒的嵌入; 2）如何为通常缺乏足够数据的新广告进行高质量的匹配。为了解决这些挑战，我们开发了一个基于异类图神经网络的关键词匹配模型HetMatch，该模型已在阿里巴巴集团核心赞助搜索平台上在线和离线部署。为了在丰富的关系中提取丰富的和鲁棒的嵌入，我们设计了一个层次结构来融合和增强微观和宏观层面上的相关邻域模式。此外，通过提出一个多视图框架，该模型能够涉及更多的积极样本的冷启动广告。大规模工业数据集上的实验结果以及在线AB测试表明了HetMatch的有效性。
2021-11-01 cs.IR
CELA: Cost-Efficient Language Model Alignment for CTR Prediction
针对CTR预测中冷启动和单模态知识利用不足的问题，提出CELA框架，整合PLMs与基于ID的模型，通过硬提示将特征转为文本，保留协同过滤效果并提升效率，离线和在线实验证明其优于现有方法。
2024-11-27 cs.IR
