Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
Bảng nhúng lớn đa diện để xếp hạng quảng cáo Pinterest
Created by
Haebom
Tác giả
Runze Su, Jiayin Jin, Jia Cheng Li, Sihan Wang, Quảng Đông 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
Phác thảo
Bài báo này trình bày những thách thức gặp phải khi tích hợp các bảng nhúng quy mô lớn vào mô hình xếp hạng quảng cáo Pinterest và đưa ra các giải pháp. Những nỗ lực ban đầu để huấn luyện các bảng nhúng quy mô lớn từ đầu đã không thành công, dẫn đến việc giới thiệu một kỹ thuật tiền huấn luyện đa diện mới tích hợp nhiều thuật toán tiền huấn luyện khác nhau. Kỹ thuật này đã cải thiện chất lượng của các bảng nhúng và cải thiện đáng kể hiệu suất về cả Tỷ lệ nhấp (CTR) và Tỷ lệ chuyển đổi (CVR). Hơn nữa, để khắc phục những hạn chế về bộ nhớ GPU và tăng cường khả năng mở rộng, một cơ sở hạ tầng phục vụ kết hợp CPU-GPU đã được thiết kế và triển khai trong hệ thống quảng cáo Pinterest. Điều này dẫn đến việc giảm 1,34% CPC và tăng 2,60% CTR. Độ trễ tổng thể vẫn không thay đổi.
Takeaways, Limitations
•
Takeaways:
◦
Chúng tôi chứng minh rằng các kỹ thuật học trước đa diện có thể cải thiện đáng kể hiệu suất của các bảng nhúng lớn.
◦
Chúng tôi đề xuất rằng cơ sở hạ tầng phục vụ kết hợp CPU-GPU có thể giải quyết các vấn đề về khả năng mở rộng của các bảng nhúng lớn.
◦
ĐượC triển khai thực tế với hệ thống quảng cáo của Pinterest, đạt được những kết quả rõ rệt, bao gồm giảm CPC và tăng CTR.
•
Limitations:
◦
Thiếu mô tả chi tiết về thuật toán và triển khai cụ thể của kỹ thuật học từ điển đa diện được đề xuất.
◦
Thiếu phân tích về khả năng áp dụng cho các nền tảng quảng cáo hoặc hệ thống đề xuất khác.
◦
Thiếu mô tả chi tiết về cấu trúc và hiệu suất cụ thể của cơ sở hạ tầng phục vụ kết hợp CPU-GPU.
