CTR点击率预估论文集锦

不羁的心 提交于 2020-12-17 06:47:53

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)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!