模型列表

模型名称	年份	论文链接	说明	类型
DIN	2017	Deep Interest Network for Click-Through Rate Prediction	阿里巴巴提出，适用于CTR预估任务，候选广告感知的兴趣建模（target attention）	排序
DIEN	2018	Deep Interest Evolution Network for Click-Through Rate Prediction	阿里巴巴提出，适用于CTR预估任务，改进了DIN中兴趣演化建模的能力，显式建模兴趣的动态变化	排序
DSIN	2019	Deep Session Interest Network for Click-Through Rate Prediction	阿里巴巴提出，适用于CTR预估任务，将用户行为划分为 Session，建模分层兴趣建模（session-level + session evolution）	排序
SIM	2020	Search-based User Interest Modeling with Lifelong Sequential Behavior Data for Click-Through Rate Prediction	阿里巴巴提出，适用于CTR预估任务，解决超长用户行为序列问题，使用两阶段检索机制捕捉兴趣演变	排序
SASRec	2018	Self-Attentive Sequential Recommendation	基于Transformer的序列推荐模型，适用于捕捉用户历史交互序列中的长期依赖关系	序列推荐
BERT4Rec				序列推荐
GRU4Rec				序列推荐
OneRec			快手	端到端生成式推荐
OneRecv2			快手	端到端生成式推荐
HSTU			Meta提出生成式推荐模型
MTGR			美团提出生成式+传统模型
MIND			多兴趣召回	召回
DSSM			双塔结构，分别学习用户和物品向量，通过向量相似度进行匹配，适合大规模向量检索	召回
Item2Vec			基于 Word2Vec 思想，将物品共现序列转化为 embedding，用于学习物品相似度	表征学习、i2i召回
YouTube DNN			两阶段推荐框架中的召回模型，使用多层神经网络预测用户对候选视频的概率	召回
Wide&Deep			结合线性模型（记忆能力）和深度网络（泛化能力）的结构	排序
DeepFM			将 FM 与 DNN 结合，实现自动特征交叉学习	排序
MMoE			多门控专家网络，用于多任务学习，通过门控机制实现任务间参数共享	多任务排序
DCN			通过 Cross Network 显式建模高阶特征交叉	排序
ESMM			解决多阶段转化率预估（CTR + CVR）样本选择偏差问题	多任务排序
PLE			渐进式分层专家网络，改进多任务负迁移问题	多任务排序
FM			因子分解机，建模二阶特征交叉，适用于稀疏特征场景	排序 / 特征交叉