本研究提出LLaCTR方法，解决了现有LLM在大规模实例中点击率预测的计算开销问题。通过自监督微调提取轻量级语义知识，LLaCTR在有效性和效率上优于现有方法，展现出良好的应用潜力。

本研究提出了PRECTR框架，旨在解决搜索推荐系统中搜索相关性匹配与点击率（CTR）预测模型分开训练的问题。通过两阶段训练和语义一致性正则化，提升了模型的互动性和推荐相关性，验证了个性化推荐能力。

本研究提出了一种新颖的多分支合作网络（MBCnet），有效解决了现有点击率预测模型在复杂特征关系处理中的不足。实验结果显示，MBCnet在点击率和交易量等指标上显著提升，具有实际应用潜力。

该文介绍了一种名为MLET的技术，通过跨类别学习训练嵌入层的分解来产生优越嵌入。在多个点击率预测任务的推荐模型上进行测试时，MLET始终产生更好的模型，特别是对于罕见的项目。MLET允许模型的嵌入维度和模型大小分别减少高达16倍和平均减少5.8倍。

本文介绍了一种名为“Fragment and Integrate Network（FIN）”的新型时空建模范式，用于解决在线位置服务中的点击率预测任务。通过实证分析验证了FIN的准确性和可扩展性。FIN已在中国在线订餐平台“饿了么”的推荐广告系统中全面部署，并取得了显著改进。