专栏首页AI科技时讯CTR点击率预估论文集锦

CTR点击率预估论文集锦

前言

CTR预估对于搜索、推荐和广告都是非常重要的一个场景,近年来CTR预估技术更新迭代,层出不穷。这篇文章将记录CTR预估著名模型的相关论文。以下按照年份整理。

1.2020年

  • (DFN). Ruobing Xie. Deep Feedback Network for Recommendation,2020,IJCAI(CCF-A). 出自腾讯微信团队.
  • (DMR). Zequn Lyu. Deep Match to Rank Model for Personalized Click-Through Rate Prediction, AAAI (CCF-A), 出自阿里团队。
  • (DTS). Shu-Ting Shi. Deep Time-Stream Framework for Click-through Rate Prediction by Tracking Interest Evolution, AAAI (CCF-A), 出自南京大学和阿里合作。
  • (UBR4CTR). Jiarui Qin.User Behavior Retrieval for Click-Through Rate Prediction, SIGIR (CCF-A), 出自上海交通大学。
  • (InterHAt). Zeyu Li. Interpretable Click-Through Rate Prediction through Hierarchical Attention, WSDM (CCF-B), 出自加利福尼亚大学。
  • (MiNet). Wentao Ouyang. MiNet: MixedInterest Network for Cross-Domain Click-Through Rate Prediction, CIKM (CCF-B), 出自阿里智能营销平台。

2.2019年

  • (DNN双塔). Xinyang Yi. Sampling-bias-corrected neural modeling for large corpus item recommendations, RecSys. 出自谷歌YouTube团队。
  • (FAT-DeepFFM). Junlin Zhang. FAT-DeepFFM: Field Attentive Deep Field-aware Factorization Machine, ICDM (CCF-B), 出自新浪团队。
  • (FGCNN). Bin Liu. Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction, WWW (CCF-A),出自华为团队。
  • (DSTN). Wentao Ouyang. Deep Spatio-Temporal Neural Networks for Click-Through Rate Prediction, KDD (CCF-A), 出自阿里智能营销平台团队。
  • (MA-DNN). Wentao Ouyang. Click-Through Rate Prediction with the User Memory Network, KDD-workshop, 出自阿里智能营销平台团队。
  • (DeepMCP). Wentao Ouyang. Representation Learning-Assisted Click-Through Rate Prediction, IJCAI, 出自阿里智能营销平台团队。

3.2018年

  • (xDeepFM). Jianxun Lian. xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems, KDD (CCF-A),出自微软和中国科学技术大学合作。
  • (DIEN). Guorui Zho. Deep Interest Evolution Network for Click-Through Rate Prediction, AAAI (CCF-A), 出自阿里团队。
  • (DIN). Guorui Zhou. Deep Interest Network for Click-Through Rate Prediction, KDD (CCF-A),出自阿里团队。
  • (Airbnb-Embedding). Mihajlo Grbovic. Real-time Personalization using Embeddings for Search Ranking at Airbnb, KDD (CCF-A),出自Airbnb团队。
  • (DRN). Guanjie Zheng. DRN: A Deep Reinforcement Learning Framework for News Recommendation, WWW (CCF-A),出自微软和宾夕法尼亚州立大学合作。
  • (ESSM). Xiao Ma. Entire Space Multi-Task Model An Effective Approach for Estimating Post-Click Conversion Rate, SIGIR (CCF-A), 出自阿里团队。
  • (FwFM). Junwei Pan. Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising, WWW (CCF-A),出自雅虎研究院。

4.2017年

  • (DeepFM). Huifeng Guo. DeepFM: A Factorization-Machine based Neural Network for CTR Prediction, IJCAI (CCF-A),出自华为和哈尔滨工业大学合作。
  • (AFM). Jun Xiao. Attentional factorization machines learning the weight of feature interactions via attention networksIJCAI (CCF-A),出自浙江大学。
  • (NCF). Xiangnan He. Neural Factorization Machines for Sparse Predictive Analytics, SIGIR (CCF-A), 出自中国科学技术大学。

5.2016年

  • (FNN). Weinan Zhang. Deep Learning over Multi-field Categorical Data - - A Case Study on User Response Prediction, ECIR (CCF-C), 出自伦敦大学。
  • (PNN). Yanru Qu. Product-based Neural Networks for User Response Prediction, ICDM (CCF-B), 出自上海交通大学。
  • (Wide&Deep). Heng-Tze Cheng. Wide & Deep Learning for Recommender Systems, RecSys, 出自谷歌团队。
  • (Item2Vec). Oren Barkan. ITEM2VEC: Neural item embedding for collaborative filtering, RecSys, 出自微软团队。
  • (FFM). Yu-Chin Juan. Field-aware Factorization Machines for CTR Prediction, RecSys, 出自Criteo团队。
  • (HOFMs). Mathieu Blondel. Higher-Order Factorization Machines, NIPS (CCF-A),出自NTT和北海道大学合作。

6.2015年及以前

  • GDBT+LR). Practical Lessons from Predicting Clicks on Ads at Facebook, KDD WorkShop, 出自Facebook团队。2014年。
  • DSSM). Po-Sen Huang. Learning deep structured semantic models for web search using clickthrough data, CIKM (CCF-B), 出自伊利诺伊大学厄巴纳-香槟分校和微软合作。2013年。
  • FM). Steffen Rendle. Factorization Machines, ICDM (CCF-B), 出自大阪大学。2010年。

本文分享自微信公众号 - AI科技时讯(aiblog_research),作者:知乎

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-09-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 从头开始构建图像搜索服务

    一张图片胜过千言万语,甚至N行代码。网友们经常使用的一句留言是,no picture, you say nothing。随着生活节奏的加快,人们越...

    用户3578099
  • Python从入门到熟练(3):第一个程序

    建议:新程序使用Python 3.x ,维护Python 2.x旧代码做好向Python 3.x的迁移准备

    用户3578099
  • Python从入门到熟练(4):基础数据类型

    就像一个盒子(或者容器),可以通过使用定义变量的方式,开辟一块内存空间存储数据,定义变量之后使用变量名调用数据。

    用户3578099
  • Leetcode题解——830/438

    用双指针遍历, i为始指针, j为尾指针,外层为for循环,用于更新始指针 i的值,内层为while循环(连续的计数通常使用while循环),用于更新尾指针 j...

    出其东门
  • 好消息!!!XMind宣布停止与苏州思杰马克丁公司合作。

    鼎鼎大名的XMind正式宣布停止与苏州思杰马克丁公司终止代理合作。之后的售卖和升级服务请认准官方网站http://www.xmind.cn,XMind表示将会为...

    课代表
  • 不得不知的海外营销锦囊妙计,你get到了吗?

    译者:Amber Li 审校:Sarah 本文长度为3690字,预估阅读时间10分钟。 导读:本文作者通过以几个APP作为实例,说明了几种适用于在海外快速营销的...

    iCDO互联网数据官
  • GDB调试还不会?看这篇就够了!

    在Linux使用C/C++进行开发,不了解gdb的基本使用,是有点说不过去的,网上也有官方的GDB教程,或者其他教程,本文是借助实例,介绍了如何使用GDB进行调...

    编程珠玑
  • 【数据通天塔来了】谷歌、Facebook、微软、推特四巨头联手,打通全球数据壁垒!

    【新智元导读】今天,谷歌、Facebook、微软和Twitter四大互联网巨头联手宣布了一个“数据传输大计”,旨在号召不同平台间数据的无障碍传输。可移植性和互操...

    新智元
  • Leetcode 674. Longest Continuous Increasing Subsequence

    版权声明:博客文章都是作者辛苦整理的,转载请注明出处,谢谢! https://blog.cs...

    Tyan
  • GDB调试入门,看这篇就够了

    GDB(GNU Debugger)是UNIX及UNIX-like下的强大调试工具,可以调试ada, c, c++, asm, minimal, d, fortr...

    编程珠玑

扫码关注云+社区

领取腾讯云代金券