Always Strengthen Your Strengths: A Drift-Aware Incremental Learning Framework for CTR Prediction
本文提出一种基于集成学习的漂移感知增量学习框架，通过显式漂移检测强化适配集成并冻结不匹配集成，有效缓解CTR预测中的灾难性遗忘问题，并在离线实验和A/B测试中优于所有基线。
2023-04-17 cs.IR cs.LG
CTR-Guided Generative Query Suggestion in Conversational Search
本文提出GQS框架，通过多源CTR建模、CTR加权DPO偏好对齐和迭代优化，在对话式搜索中生成兼顾相关性与多样性的查询建议，实验证明其在CTR、相关性和多样性上优于基线。
2025-07-05 cs.IR
FINT: Field-aware INTeraction Neural Network For CTR Prediction
iQIYI Inc.（爱奇艺公司）；National Key Lab of Parallel and Distributed Processing（并行与分布处理国家重点实验室）；National University of Defense Technology（国防科技大学）
点击率预测作为网络广告营销的重要组成部分，受到了业界和学术界的广泛关注。近年来，深度学习已成为CTR的主流方法选择。尽管已经做出了可持续的努力，但现有的方法仍然带来了一些挑战。一方面，特征之间的高阶相互作用未被充分探索。另一方面，高阶场的相互作用可能会忽略来自低阶场的语义信息。在本文中，我们提出了一种新的预测方法，命名为FINT，采用现场感知的交互层，捕获高阶特征的相互作用，同时保留低阶字段信息。为了实证研究FINT的有效性和鲁棒性，我们在三个现实的数据库上进行了广泛的实验：KDD 2012，Criteo和Avazu。所得结果表明，FINT可以显着提高性能相比，现有的方法，而不增加所需的计算量。此外，通过A/B测试，该方法为一家大型在线视频应用程序的广告收入带来了2.72%的增长。为了更好地促进CTR领域的研究，我们在https://github.com/zhishan01/FINT上发布了我们的代码以及参考实现。
2022-07-11 cs.CV cs.IR
Regularized Adversarial Sampling and Deep Time-aware Attention for Click-Through Rate Prediction
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；The Hong Kong Polytechnic University（香港理工大学）
提高点击率（CTR）预测的性能仍然是在线广告系统的核心任务之一。随着深度学习的兴起，具有深度网络的CTR预测模型显著增强了模型的能力。在深度CTR模型中，利用用户的历史数据对于学习用户的行为和兴趣至关重要。针对现有CTR预测方法在嵌入用户历史点击记录时忽略了时间信号的重要性，提出了一种时间感知的注意力模型，该模型明确地使用绝对时间信号来表示用户的周期性行为，使用相对时间信号来表示项目之间的时间关系。此外，我们提出了一种正则化的对抗抽样策略的负采样，缓解了CTR数据的分类不平衡，并可以利用观察到的负CTR样本提供的强指导。对抗性采样策略显著提高了训练效率，并且可以与时间感知注意力模型无缝协同训练。实验进行了真实世界的CTR数据集，从站内和站外的广告场所。
2019-11-03 cs.IR cs.LG stat.ML
Enhancing Cross-domain Click-Through Rate Prediction via Explicit Feature Augmentation
本文提出跨领域增强网络CDAnet，通过设计的翻译网络和增强网络顺序训练，实现显式跨领域知识传递，有效解决了传统方法依赖超级领域及静态知识的问题，在多个数据集及淘宝在线A/B测试中显著提升了CTR预测性能。
2024-02-18 cs.IR
Star+: A New Multi-Domain Model for CTR Prediction
针对多域CTR预测中现有方法难捕捉域分布与域间关系的问题，提出Star+模型，通过多种融合策略平衡共享与域专属信息，结合不同归一化技术，在工业和公开数据集上实现准确率与效率的显著提升，为多域推荐提供鲁棒自适应方案。
2024-06-24 cs.IR
FAT-DeepFFM: Field Attentive Deep Field-aware Factorization Machine
Sina Weibo（新浪微博）
点击率（CTR）估计是个性化广告和推荐系统中的一项基本任务。近年来，基于深度学习的模型和注意力机制在计算机视觉（CV）和自然语言处理（NLP）的各种任务中取得了成功。如何将注意力机制与深度CTR模型相结合，可以综合两者的优点，是一个很有前途的方向。虽然一些CTR模型，如注意力因子机（AFM）已被提出来建模的二阶交互功能的权重，我们认为，显式特征交互过程之前的特征重要性的评估也是重要的CTR预测任务，因为该模型可以学习选择性地突出的信息功能和抑制不太有用的，如果任务有很多输入功能。在本文中，我们提出了一个新的神经CTR模型命名为场注意深度场感知因子分解机（FAT-DeepFFM）通过结合深度场感知因子分解机（DeepFFM）和组合激励网络（CENet）字段注意力机制，这是我们提出的挤压激励网络（SENet）的增强版本，以突出特征的重要性。我们在两个真实世界的数据集上进行了大量的实验，实验结果表明，FAT-DeepFFM实现了最佳性能，并获得了不同的改进，比最先进的方法。我们还比较了两种注意力机制（外显特征交互前的注意力机制和外显特征交互后的注意力机制），并证明了前一种机制显著优于后一种机制。
2019-05-15 cs.IR cs.LG
DADNN: Multi-Scene CTR Prediction via Domain-Aware Deep Neural Network
Business Growth BU, JD（京东商业增长事业部）
点击率预测是广告系统的核心任务。我公司电子商务业务的蓬勃发展，导致越来越多的场景。大部分都是所谓的长尾场景，也就是单个场景的流量有限，但整体流量可观。典型的研究主要集中在服务于一个单一的场景与一个良好的设计模型。然而，这种方法在离线训练和在线服务上都带来了过度的资源消耗。此外，简单地用来自多个场景的数据训练单个模型忽略了它们自身的特征。为了应对这些挑战，我们提出了一种新颖但实用的模型，名为域感知深度神经网络（DADNN），通过服务多个场景，只有一个模型。具体来说，所有场景之间的共享底部块被应用于学习一个共同的表示，而特定领域的头部保持每个场景的特征。此外，知识转移的引入，以提高不同场景之间的知识共享的机会。在本文中，我们研究了两个DADNN的实例，其中共享底层模块分别是多层感知器（MLP）和多门混合专家（MMoE），我们分别将其表示为DADNN-MLP和DADNN-MMoE。在我们公司的实际生产数据集上进行的全面离线实验表明，DADNN在多场景CTR预测方面优于几种最先进的方法。广泛的在线A/B测试表明，与精心设计的DCN模型相比，DADNN-MLP贡献了高达6.7%的CTR和3.0%的CPM（每千人成本）促销。此外，DADNN-MMoE优于DADNN-MLP，CTR和CPM分别相对提高2.2%和2.7%。更重要的是，DADNN使用单一模型用于多个场景，节省了大量的离线训练和在线服…
2020-11-24 cs.AI cs.IR cs.LG
FinalMLP: An Enhanced Two-Stream MLP Model for CTR Prediction
本文发现简单组合两个MLP的双流模型即可取得优异CTR预测性能，进而提出FinalMLP，通过特征门控和交互聚合层增强双流MLP，在多个基准和在线A/B测试中超越复杂双流CTR模型。
2023-11-30 cs.IR
Deep Situation-Aware Interaction Network for Click-Through Rate Prediction
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Meituan（美团）
本文提出DSAIN模型，通过情境特征学习提升CTR预测效果，实验显示CTR、CPM和GMV均有所提升。
2026-04-14 cs.IR
A Unified Framework for Multi-Domain CTR Prediction via Large Language Models
本文提出统一框架 Uni-CTR，利用大语言模型学习领域共性并解耦特定网络，有效解决了多领域 CTR 预测中的泛化差与跷跷板现象，在公开数据集上显著优于 SOTA 并具备零样本能力。
2024-09-26 cs.IR
Feature Interaction Fusion Self-Distillation Network For CTR Prediction
针对CTR预测中并行结构信息共享不足、知识蒸馏效率低及数据噪声问题，提出FSDNet框架，通过跨层连接显隐式特征交互并利用最深融合层自蒸馏指导浅层训练，有效提升了模型的预测性能与泛化能力。
2024-11-13 cs.IR
CAMIE: Co-Engagement-Aware Multimodal Item Embeddings for Snap Dynamic Product Ads Retrieval
Snap Inc.（Snap公司）
针对Snap动态产品广告检索的挑战，提出CAMIE框架，基于LLM/MLLM主干与协同交互数据微调，线上部署后显著提升多场景下的CTR与CVR。
2026-09-01 cs.IR
TF4CTR: Twin Focus Framework for CTR Prediction via Adaptive Sample Differentiation
School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院）；Swinburne University of Technology（斯威本科技大学）
本文提出TF4CTR框架，通过自适应样本区分、样本选择嵌入模块和动态融合模块提升CTR预测精度，实验验证其有效性与兼容性。
2026-03-22 cs.IR
GenCI: Generative Modeling of User Interest Shift via Cohort-based Intent Learning for CTR Prediction
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；WeChat, Tencent（腾讯微信）
GenCI通过生成用户兴趣群体建模动态兴趣转移，提升CTR预测的准确性与鲁棒性。
2026-01-26 cs.IR
Dynamic Parameterized Network for CTR Prediction
学习有效地捕捉特征关系是现代推荐系统中点击率预测的关键。大多数现有的CTR预测方法要么通过繁琐的手动设计的低阶交互，要么通过不灵活和低效的高阶交互来建模这种关系，这两者都需要额外的DNN模块进行隐式交互建模。在本文中，我们提出了一种新的插件操作，动态参数化操作（DPO），学习显式和隐式交互实例明智的。我们表明，将DPO引入DNN模块和Attention模块可以分别有利于CTR预测中的两个主要任务，即增强基于特征的建模的自适应性和改进具有实例局部性的用户行为建模。我们的动态参数化网络在公共数据集和真实世界生产数据集上的离线实验以及在线A/B测试中显着优于最先进的方法。此外，所提出的动态参数化网络已部署在世界上最大的电子商务公司之一的排名系统中，为数亿活跃用户的主要流量提供服务。
2021-11-09 cs.AI cs.IR
MOEF: Modeling Occasion Evolution in Frequency Domain for Promotion-Aware Click-Through Rate Prediction
Alibaba Group（阿里巴巴集团）；The University of Sydney（悉尼大学）
促销活动在电子商务中变得越来越重要和普遍，以吸引客户并促进销售，导致场合频繁变化，这促使用户采取不同的行为。在这种情况下，大多数现有的点击率（CTR）模型不能很好地推广到在线服务，由于即将到来的场合分布的不确定性。在本文中，我们提出了一种新的CTR模型命名为MOEF频繁变化的情况下的建议。首先，我们设计了一个时间序列，由在线业务场景产生的场合信号。由于场合信号在频域中更具鉴别力，我们将傅立叶变换应用于时间序列上的滑动时间窗口，获得频谱序列，然后通过场合演化层（OEL）进行处理。通过这种方式，可以学习高阶场合表示来处理在线分布不确定性。此外，我们采用多个专家学习的特征表示，从多个方面，这是通过注意力机制的场合表示的指导。因此，对于不同的场合自适应地获得特征表示的混合以预测最终CTR。在真实数据集上的实验结果验证了MOEF的优越性，在线A/B测试也表明MOEF明显优于典型的CTR模型。
2023-03-30 cs.IR cs.LG
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
FARE: Deep Reinforcement Learning For Fair Exposure Constrained Uncertainty Aware Financial Content Personalization
FARE提出将SOV约束排序建模为深度强化学习，并引入CTR预测不确定性到策略设计，通过模块化执行层实现公平曝光，减少偏差同时最小化参与度损失。
2026-09-29 cs.AI cs.IR cs.LG
DAIAN: Deep Adaptive Intent-Aware Network for CTR Prediction in Trigger-Induced Recommendation
Xianyu of Alibaba（阿里巴巴阿里鱼）
DAIAN通过动态适应用户意图偏好，解决触发诱导推荐中意图短视问题，提升CTR预测效果。
2026-02-15 cs.AI cs.IR
Dual-Stream MLP is All You Need for CTR Prediction
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；ByteDance（字节跳动）；Meituan（美团）
提出双流MLP（DS-MLP）框架，通过知识蒸馏将显式特征交互学习能力整合到主MLP网络，同时并行MLP捕获隐式特征交互，并设计两种对齐策略优化双流架构，在三个基准上取得最先进性能。
2026-06-03 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
Recall-Augmented Ranking: Enhancing Click-Through Rate Prediction Accuracy with Cross-Stage Data
针对CTR预测中用户行为序列同质化、稀缺性导致表征受限的问题，提出召回增强排序架构RAR，从相似用户和召回物品中跨阶段富集信息，可即插即用提升现有模型性能。
2024-04-15 cs.IR
KAST: Knowledge Aware Adaptive Session Multi-Topic Network for Click-Through Rate Prediction
捕捉用户兴趣的演变趋势对于推荐系统和广告系统都很重要，并且用户行为序列已经成功地用于点击率（CTR）预测问题。然而，如果基于项目级行为来学习用户兴趣，则性能可能受到以下两个问题的影响。首先，由于用户行为可能是多样的，一些偶然的离群值可能被包括在行为序列中。其次，用户行为之间的时间间隔跨度是随机和不规则的，对于这一点，从NLP中采用的基于RNN的模块不是完全自适应的。为了解决这两个问题，我们提出了知识感知的自适应会话多主题网络（KAST）。该算法能够自适应地将用户会话从整个用户行为序列中分割出来，并在同一会话中保持相似的意图。此外，为了提高会话分割和表示的质量，引入了知识感知模块，使得可以以端到端的方式从用户-项目交互中提取结构信息，并且将基于这些信息的边际损失合并到主要损失中。通过在公共基准上的大量实验，我们证明了KAST可以实现比最先进的CTR预测方法更优越的性能，并对关键模块和超参数进行了评估。
2022-10-07 cs.IR
Enhancing CTR Prediction in Recommendation Domain with Search Query Representation
McGill University（麦吉尔大学）
针对推荐领域现有方法未充分利用搜索域用户偏好、忽略跨域意图偏移的问题，提出融合搜索查询嵌入、对比学习与扩散模型的CTR预测框架，实验效果优于当前最优模型。
2024-10-28 cs.AI cs.IR cs.LG
ClickPrompt: CTR Models are Strong Prompt Generators for Adapting Language Models to CTR Prediction
Shanghai Jiao Tong University（上海交通大学）
ClickPrompt提出一种模型无关框架，通过CTR模型生成交互感知软提示，结合预训练语言模型，同时建模协同与语义知识，提升CTR预测性能并解决推理效率问题。
2024-06-26 cs.AI cs.IR
Boost CTR Prediction for New Advertisements via Modeling Visual Content
Baidu Research（百度研究院）；Baidu Inc.（百度公司）
现有的广告点击率（CTR）预测模型主要依赖于行为ID特征，而行为ID特征是根据用户与广告的历史交互行为来学习的。然而，依赖于历史用户行为的行为ID特征在没有与用户的先前交互的情况下描述新广告是不可行的。为了克服行为ID特征在新广告建模中的局限性，我们利用广告中的视觉内容来提高CTR预测模型的性能。具体来说，我们将每个广告映射到一组基于其视觉内容的视觉ID。这些视觉ID还用于生成用于增强CTR预测模型的视觉嵌入。我们将视觉ID的学习制定为监督量化问题。由于广告中商业图像缺乏类别标签，我们利用图像文本描述作为监督，以优化图像提取器，以生成有效的视觉ID。同时，由于硬量化是不可微的，我们软化量化操作，使其支持端到端的网络训练。在将每个图像映射到视觉ID之后，我们根据过去积累的历史用户-广告交互来学习每个视觉ID的嵌入。由于视觉ID嵌入仅依赖于视觉内容，因此它可以很好地推广到新广告。同时，视觉ID嵌入补充了广告行为ID嵌入。因此，它可以大大提高CTR预测模型的性能，以前依赖于新广告和积累了丰富用户行为的广告的行为ID特征。在百度网络广告的CTR预测模型中加入视觉ID嵌入后，广告的平均CTR提高了1.46%，总收费提高了1.10%。
2022-09-23 cs.CV cs.IR
Exploration in Online Advertising Systems with Deep Uncertainty-Aware Learning
Alibaba Group（阿里巴巴集团）
现代在线广告系统不可避免地依赖于个性化方法，例如点击率（CTR）预测。CTR预测的最新进展享受了深度学习丰富的表示能力，并在大规模工业应用中取得了巨大成功。然而，这些方法可能缺乏探索。另一条线的先前工作解决了与上下文强盗方法的探索-利用权衡问题，这是最近较少研究的行业，由于在扩展其灵活性与深度模型的困难。在本文中，我们提出了一种新的深度不确定性感知学习（DUAL）方法来学习基于高斯过程的CTR模型，该方法可以提供预测性不确定性估计，同时保持深度神经网络的灵活性。DUAL可以很容易地在现有模型上实现，并以最小的额外计算开销部署在实时系统中。通过将DUAL的预测不确定性估计能力与著名的强盗算法相结合，我们进一步提出了基于DUAL的广告排名策略，以提高广告系统中的长期效用，例如社会福利。在几个公共数据集上的实验结果证明了我们的方法的有效性。值得注意的是，在阿里巴巴展示广告平台中部署的在线A/B测试显示，社会福利改善了8.2%，收入增加了8.0%。
2021-06-15 cs.IR cs.LG
LENS: A Staged Design for Interaction Granularity in Sequential CTR Prediction
Tencent Inc.（腾讯公司）
针对序列CTR预测中目标与用户行为序列交互的粒度问题，提出LENS方法，通过目标条件查询门和位置偏置模块恢复细粒度控制，结合查询特定位置偏置，在多个骨干网络和数据集上取得一致提升。
2026-06-12 cs.IR
AT4CTR: Auxiliary Match Tasks for Enhancing Click-Through Rate Prediction
针对工业推荐系统中负样本下采样加剧的CTR预测数据稀疏问题，提出AT4CTR方法，通过两个基于InfoNCE损失的辅助匹配任务增强用户-物品相关性建模，加快收敛并提升精度，已在工业广告系统落地并获显著收益。
2023-12-18 cs.IR
MoE-MLoRA for Multi-Domain CTR Prediction: Efficient Adaptation with Expert Specialization
Department of Software and Information Systems Engineering, Ben-Gurion University of the Negev（软件与信息系统工程系，本·古里安大学）
提出 MoE-MLoRA 混合专家框架，通过独立域专家训练与动态门控加权提升多域 CTR 预测，在八个模型和两个数据集上验证其优势及调参必要性。
2025-06-11 cs.AI cs.IR
Similar Users-Augmented Interest Network
University of Science and Technology of China（中国科学技术大学）
本文提出SUIN方法，通过整合相似用户行为增强目标用户序列，提升CTR预测性能。
2026-04-26 cs.IR
Optimizing an Utility Function for Exploration / Exploitation Trade-off in Context-Aware Recommender System
在本文中，我们开发了一个动态的探索/开发（exr/exp）策略的上下文推荐系统（CRS）。具体来说，我们的方法可以通过自动学习最佳权衡来自适应地平衡exr/exp的两个方面。这包括优化效用函数，该效用函数由已经推荐的点击和未点击文档的奖励的概率分布的线性化形式表示。在离线模拟框架内，我们将我们的算法应用于CRS，并使用真实的事件日志数据进行评估。实验结果和详细的分析表明，我们的算法优于现有的算法的点击率（CTR）。
2014-04-15 cs.IR
Helen: Optimizing CTR Prediction Models with Frequency-wise Hessian Eigenvalue Regularization
National University of Singapore（新加坡国立大学）
该研究从优化视角分析 CTR 预测，发现高频特征对应较大 Hessian 特征值并导致尖锐极小值，进而提出 Helen 优化器，通过基于归一化特征频率的自适应扰动进行正则化，在 BARS 多模型多数据集实验中取得更优效果。
2024-02-23 cs.IR cs.LG
Incorporating Group Prior into Variational Inference for Tail-User Behavior Modeling in CTR Prediction
Kuaishou Technology（快手科技）
针对CTR预测中尾部用户行为稀疏导致兴趣建模困难的问题，提出GPSVI方法，通过引入群体偏好作为变分推断先验并结合保体积流，在保持头部用户效果的同时持续提升尾部用户表现。
2024-10-19 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
Quadratic Interest Network for Multimodal Click-Through Rate Prediction
提出二次兴趣网络（QIN），利用自适应稀疏目标注意力和二次神经网络捕捉多模态高阶交互，在WWW 2025多模态CTR预测挑战赛中获得第二名，AUC达0.9798。
2025-04-25 cs.IR
R2LED: Equipping Retrieval and Refinement in Lifelong User Modeling with Semantic IDs for CTR Prediction
Xi’an Jiaotong University（西安交通大学）；University of Edinburgh（爱丁堡大学）；Nanyang Technological University（南洋理工大学）；Jilin University（吉林大学）；Zhejiang University of Technology（浙江工业大学）
R2LED通过引入多路由混合检索和双级融合细化，利用语义ID提升终身用户建模在CTR预测中的性能与效率。
2026-02-06 cs.IR
NeSHFS: Neighborhood Search with Heuristic-based Feature Selection for Click-Through Rate Prediction
Middle East Technical University（中东技术大学）；Arizona State University（亚利桑那州立大学）
针对CTR预测中特征冗余、计算成本高及现有特征选择算法效果不足的问题，提出启发式算法NeSHFS，可降本提效，经三个公开数据集实验验证了其有效性。
2024-09-13 cs.AI cs.IR
From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction
Alibaba Group（阿里巴巴集团）
针对CTR预测中Transformer模型因结构错位导致收益递减的问题，提出Field-Aware Transformer (FAT)，通过场感知参数重构和基组合超网络实现结构化表达能力，在理论（Rademacher复杂度标度律）和实验（AUC提升+4.38%，线上CTR+2.33%，RPM+0.66%）上均优于现有方法。
2026-05-31 cs.IR cs.LG
FAN: Fatigue-Aware Network for Click-Through Rate Prediction in E-commerce Recommendation
Alibaba Group（阿里巴巴集团）
本文提出 FAN 模型，通过 Fourier Transformation 处理未点击时间序列获取疲劳频谱，并结合类别调制、gating network 和辅助任务学习疲劳表示，显著提升了电商推荐中的 CTR 预测效果。
2023-04-10 cs.HC cs.IR cs.LG
Enhancing Talent Search Ranking with Role-Aware Expert Mixtures and LLM-based Fine-Grained Job Descriptions
HKUST (GZ)（香港科技大学（广州））；Alibaba Group（阿里巴巴集团）；HKUST（香港科技大学）；Zhijiang Lab（浙江实验室）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））
本文提出基于大语言模型和角色感知专家混合的方法，提升人才搜索排名效果，通过细粒度职位描述提取和行为建模，提升CTR和CVR，实现招聘效率和成本节约。
2025-10-05 cs.AI cs.IR cs.LG
RIA: A Ranking-Infused Approach for Optimized listwise CTR Prediction
Beijing University of Posts and Telecommunications（北京邮电大学）
RIA提出一种融合排名的端到端框架，通过整合点评和列表级评估，提升CTR预测性能并优化效率。
2025-11-26 cs.AI cs.IR
PaletteID: Prototype-Composed Semantic Identifiers for Multimodal CTR Prediction
Huazhong University of Science and Technology（华中科技大学）；Central China Normal University（华中师范大学）
提出PaletteID模型，以SQ-DPP构建原型调色板聚合语义相关原型，在两个公开数据集上提升CTR预测性能，对长尾物品增益更显著且标识符分配更鲁棒、语义更可解释。
2026-08-03 cs.IR cs.LG
AdaSparse: Learning Adaptively Sparse Structures for Multi-Domain Click-Through Rate Prediction
Alibaba Group（阿里巴巴集团）
点击率（CTR）预测是推荐和广告系统中的一项基本技术。最近的研究已经证明，学习一个统一的模型来服务于多个领域是有效的，以提高整体性能。然而，在有限的训练数据下提高跨领域的泛化能力仍然具有挑战性，并且由于其计算复杂性，难以部署现有的解决方案。在本文中，我们提出了一个简单而有效的框架AdaSparse多域CTR预测，自适应学习每个域的稀疏结构，实现更好的泛化跨域的计算成本较低。在AdaSparse中，我们引入了领域感知的神经元级加权因子来衡量神经元的重要性，对于每个领域，我们的模型可以修剪冗余神经元以提高泛化能力。我们进一步添加灵活的稀疏正则化来控制学习结构的稀疏率。离线和在线实验表明，AdaSparse显著优于以前的多域CTR模型。
2022-07-01 cs.IR cs.LG
Scene-wise Adaptive Network for Dynamic Cold-start Scenes Optimization in CTR Prediction
Huazhong University of Science and Technology（华中科技大学）；School of Software, Beihang University（北京航空航天大学软件学院）；Meituan（美团）；The University of Hong Kong（香港大学）
针对移动电商多场景推荐的动态冷启动难题，提出场景级自适应网络SwAN，通过场景相似度学习等技术优化新场景推荐，已在美团上线并实现CTR及订单量占比的显著提升。
2024-08-18 cs.AI cs.CV cs.IR
DUET: Dual Model Co-Training for Entire Space CTR Prediction
针对推荐系统预排序阶段双塔模型表达能力不足、样本选择偏差严重的问题，提出集合级预排序框架DUET，通过双模型协同训练缓解偏差，性能优于现有基线，已在快手全量部署。
2025-10-28 cs.IR
Click-Conversion Multi-Task Model with Position Bias Mitigation for Sponsored Search in eCommerce
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Walmart eCommerce（沃尔玛电商）；Indeed
针对电子商务赞助搜索中位置偏差导致CTR和CVR预测不公平的问题，提出了基于概率分解的PACC模型和基于位置嵌入的PACC-PE模型，有效缓解了位置偏差并提升了排序效果。
2023-07-29 cs.IR cs.LG
Unleash the Power of Context: Enhancing Large-Scale Recommender Systems with Context-Based Prediction Models
Outbrain（Outbrain公司）
本文提出基于上下文的预测模型，仅依赖用户和上下文特征预测用户行为概率，并将其作为特征纳入CTR预测模型，实验表明该方法显著提升了大规模推荐系统的离线和在线业务指标。
2023-07-25 cs.IR cs.LG
Enhancing Multimodal Recommendations with Vision-Language Models and Information-Aware Fusion
本文提出VIRAL框架，通过VLM生成标题引导的细粒度视觉描述，并结合基于部分信息分解的信息感知融合模块，在多模态推荐中有效平衡模态信息，显著提升推荐性能。
2025-11-10 cs.IR
FAIR-QR: Enhancing Fairness-aware Information Retrieval through Query Refinement
本研究提出FAIR-QR框架，通过递归精化查询关键词检索代表性不足群体的文档，实现群体公平性，同时保持可解释性并确保相关性。
2025-03-27 cs.IR
Deep Context Interest Network for Click-Through Rate Prediction
Meituan（美团）
本文提出深度上下文兴趣网络DCIN，通过聚合展示上下文、融合点击与上下文特征并匹配目标兴趣，提升CTR预测性能，已在在线广告系统部署并带来1.5%的CTR和RPM提升。
2023-08-11 cs.AI cs.IR
When Deep Research Agents Stagnate: Enhancing Reasoning with Retrieval-Aware Agent Control
Radboud University（拉德堡德大学）；Thomson Reuters Labs（汤森路透实验室）
该研究针对深度研究智能体的推理停滞问题，提出检索感知智能体控制器（RAAC），经实验验证可减少搜索调用次数、提升智能体的召回率与准确率。
2026-08-18 cs.IR
DynInt: Dynamic Interaction Modeling for Large-scale Click-Through Rate Prediction
Credit Karma（Credit Karma公司）
在广告排名和推荐系统中，特征交互的学习是大规模点击率预测成功的关键。在工业中，广泛采用基于深度神经网络的模型来对此类问题进行建模。研究人员提出了各种神经网络架构，用于以端到端的方式搜索和建模特征交互。然而，大多数方法只学习静态特征交互，并没有充分利用深度CTR模型的表示能力。在本文中，我们提出了一个新的模型：DynInt。DynInt通过扩展多项式交互网络（Polynomial-Interaction-Network，PIN），将高阶交互递归学习为动态的、数据依赖的，进一步推导出动态高阶交互的两种建模模式：动态激活和动态参数。在动态激活模式下，我们通过实例感知激活门控网络自适应地调整学习交互的强度。在动态参数模式下，我们重新参数化的参数不同的配方和动态生成的参数实例感知的参数生成网络。通过实例感知的门控机制和动态参数生成，我们使PIN能够模拟潜在的工业应用的动态交互。我们实现了所提出的模型，并在真实世界的数据集上评估模型的性能。大量的实验结果证明了DynInt在最先进的模型上的效率和有效性。
2023-01-03 cs.AI cs.IR cs.LG
