Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Tableaux d'intégration multi-facettes pour le classement des publicités Pinterest
작성자
Haebom
Auteur
Runze Su, Jiayin Jin, Jiacheng Li, Sihan Wang, Guangtong Bai, Zelun Wang, Li Tang, Yixiong Meng, Huasen Wu, Zhimeng Pan, Kungang Li, Han Sun, Zhifang Liu, Haoyang Li, Siping Ji, Degao Peng, Jinfeng Zhuang, Ling Leng, Prathibha Deshikachar
Contour
Cet article présente les défis rencontrés lors de l'intégration de tableaux d'intégration à grande échelle dans le modèle de classement des publicités Pinterest et propose des solutions. Les premières tentatives d'apprentissage de tableaux d'intégration à grande échelle à partir de zéro se sont avérées infructueuses, ce qui a conduit à l'introduction d'une nouvelle technique de pré-apprentissage multidimensionnelle intégrant divers algorithmes. Cette technique a amélioré la qualité des tableaux d'intégration et considérablement amélioré les performances en termes de taux de clics (CTR) et de taux de conversion (CVR). De plus, pour surmonter les limitations de mémoire GPU et améliorer l'évolutivité, une infrastructure de service hybride CPU-GPU a été conçue et déployée dans le système publicitaire Pinterest. Cela a entraîné une réduction de 1,34 % du CPC et une augmentation de 2,60 % du CTR. La latence globale est restée inchangée.
Takeaways, Limitations
•
Takeaways:
◦
Nous démontrons que les techniques de pré-apprentissage multidimensionnelles peuvent améliorer considérablement les performances des grandes tables d’intégration.
◦
Nous proposons qu’une infrastructure de service hybride CPU-GPU puisse résoudre les problèmes d’évolutivité des grandes tables d’intégration.
◦
Mis en œuvre dans la pratique avec le système publicitaire de Pinterest, obtenant des résultats tangibles, notamment un CPC réduit et un CTR augmenté.
•
Limitations:
◦
Manque de description des détails algorithmiques et de mise en œuvre spécifiques de la technique d'apprentissage de dictionnaire multiforme proposée.
◦
Manque d’analyse sur l’applicabilité à d’autres plateformes publicitaires ou systèmes de recommandation.
◦
Manque de description détaillée de la structure spécifique et des performances de l'infrastructure de service hybride CPU-GPU.
