Buchumschlag

FEDIN: Frequency-Enhanced Deep Interest Network for Click-Through Rate Prediction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dai, Zenan, Wang, Jinpeng, Pan, Junwei, Liu, Dapeng, Xiao, Lei, Xia, Shu-Tao
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Information Retrieval Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Pattern Network for Click-Through Rate Prediction
von: Zhang, Hengyu, et al.
Veröffentlicht: (2024)

RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction
von: Li, Yushen, et al.
Veröffentlicht: (2024)

Generative Long-term User Interest Modeling for Click-Through Rate Prediction
von: Shao, Jiangli, et al.
Veröffentlicht: (2026)

Quadratic Interest Network for Multimodal Click-Through Rate Prediction
von: Li, Honghao, et al.
Veröffentlicht: (2025)

Towards Unifying Feature Interaction Models for Click-Through Rate Prediction
von: Kang, Yu, et al.
Veröffentlicht: (2024)

Learning Multi-Branch Cooperation for Enhanced Click-Through Rate Prediction at Taobao
von: Chen, Xu, et al.
Veröffentlicht: (2024)

Diffusion-based Multi-modal Synergy Interest Network for Click-through Rate Prediction
von: Cui, Xiaoxi, et al.
Veröffentlicht: (2025)

Open Benchmarking for Click-Through Rate Prediction
von: Zhu, Jieming, et al.
Veröffentlicht: (2020)

Predict Click-Through Rates with Deep Interest Network Model in E-commerce Advertising
von: Zhou, Chang, et al.
Veröffentlicht: (2024)

Retrieval-Oriented Knowledge for Click-Through Rate Prediction
von: Liu, Huanshuo, et al.
Veröffentlicht: (2024)

Adaptive User Interest Modeling via Conditioned Denoising Diffusion For Click-Through Rate Prediction
von: Zhao, Qihang, et al.
Veröffentlicht: (2025)

Decoupled Multimodal Fusion for User Interest Modeling in Click-Through Rate Prediction
von: Fan, Alin, et al.
Veröffentlicht: (2025)

Deep Situation-Aware Interaction Network for Click-Through Rate Prediction
von: Lv, Yimin, et al.
Veröffentlicht: (2026)

Fusion Matters: Learning Fusion in Deep Click-through Rate Prediction Models
von: Zhang, Kexin, et al.
Veröffentlicht: (2024)

Deep Multiple Quantization Network on Long Behavior Sequence for Click-Through Rate Prediction
von: Wei, Zhuoxing, et al.
Veröffentlicht: (2025)

GRAB: An LLM-Inspired Sequence-First Click-Through Rate Prediction Modeling Paradigm
von: Chen, Shaopeng, et al.
Veröffentlicht: (2026)

DemiNet: Dependency-Aware Multi-Interest Network with Self-Supervised Graph Learning for Click-Through Rate Prediction
von: Wang, Yule, et al.
Veröffentlicht: (2021)

Distribution-Aware End-to-End Embedding for Streaming Numerical Features in Click-Through Rate Prediction
von: Liu, Jiahao, et al.
Veröffentlicht: (2026)

FCN: Fusing Exponential and Linear Cross Network for Click-Through Rate Prediction
von: Li, Honghao, et al.
Veröffentlicht: (2024)

All-domain Moveline Evolution Network for Click-Through Rate Prediction
von: Gao, Chen, et al.
Veröffentlicht: (2024)

Optimizing Feature Set for Click-Through Rate Prediction
von: Lyu, Fuyuan, et al.
Veröffentlicht: (2023)

Addressing Cold-start Problem in Click-Through Rate Prediction via Supervised Diffusion Modeling
von: Zhu, Wenqiao, et al.
Veröffentlicht: (2025)

NeSHFS: Neighborhood Search with Heuristic-based Feature Selection for Click-Through Rate Prediction
von: Aksu, Dogukan, et al.
Veröffentlicht: (2024)

InterFormer: Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction
von: Zeng, Zhichen, et al.
Veröffentlicht: (2024)

Enhancing Cross-domain Click-Through Rate Prediction via Explicit Feature Augmentation
von: Chen, Xu, et al.
Veröffentlicht: (2023)

COINS: SemantiC Ids Enhanced COLd Item RepresentatioN for Click-through Rate Prediction in E-commerce Search
von: Zhao, Qihang, et al.
Veröffentlicht: (2025)

GACE: Learning Graph-Based Cross-Page Ads Embedding For Click-Through Rate Prediction
von: Wang, Haowen, et al.
Veröffentlicht: (2024)

EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation
von: Huang, Lei, et al.
Veröffentlicht: (2024)

Efficient Transfer Learning Framework for Cross-Domain Click-Through Rate Prediction
von: Liu, Qi, et al.
Veröffentlicht: (2024)

A New Creative Generation Pipeline for Click-Through Rate with Stable Diffusion Model
von: Yang, Hao, et al.
Veröffentlicht: (2024)

Multi-Epoch learning with Data Augmentation for Deep Click-Through Rate Prediction
von: Fan, Zhongxiang, et al.
Veröffentlicht: (2024)

Deep Group Interest Modeling of Full Lifelong User Behaviors for CTR Prediction
von: Liu, Qi, et al.
Veröffentlicht: (2023)

PPM : A Pre-trained Plug-in Model for Click-through Rate Prediction
von: Gao, Yuanbo, et al.
Veröffentlicht: (2024)

A Click-Through Rate Prediction Method Based on Cross-Importance of Multi-Order Features
von: Wang, Hao, et al.
Veröffentlicht: (2024)

ELEC: Efficient Large Language Model-Empowered Click-Through Rate Prediction
von: Dong, Rui, et al.
Veröffentlicht: (2025)

Recall-Augmented Ranking: Enhancing Click-Through Rate Prediction Accuracy with Cross-Stage Data
von: Huang, Junjie, et al.
Veröffentlicht: (2024)

LoopCTR: Unlocking the Loop Scaling Power for Click-Through Rate Prediction
von: Tang, Jiakai, et al.
Veröffentlicht: (2026)

Understanding and Counteracting Feature-Level Bias in Click-Through Rate Prediction
von: Jin, Jinqiu, et al.
Veröffentlicht: (2024)

FedUD: Exploiting Unaligned Data for Cross-Platform Federated Click-Through Rate Prediction
von: Ouyang, Wentao, et al.
Veröffentlicht: (2024)

Temporal Interest Network for User Response Prediction
von: Zhou, Haolin, et al.
Veröffentlicht: (2023)