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。

本研究提出多种基于机器学习的用户行为建模方法，包括搜索兴趣模型、局部敏感哈希和图形模型，旨在提高点击率预测的准确性和系统效率。通过深度学习和动态兴趣激活，验证了模型的实际应用效果。

本文介绍了多种基于图形学习和深度学习的点击率（CTR）预测模型，包括图形意图网络（GIN）、双图增强嵌入（DG-ENN）和深度兴趣演化网络（DIEN）。这些模型通过捕捉用户行为和兴趣演变，显著提升了电子商务平台的CTR预测性能，解决了用户意图和行为稀疏问题。

本文综述了多种深度学习模型在点击率（CTR）预测中的应用，包括DeepMR模型、Hypergraph框架和记忆增强型DNN等。这些模型在真实数据集上表现优异，提升了CTR预测的准确性和效率。此外，增量学习框架在推荐服务中也显示出有效性，显著加快了训练和部署周期。

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。