Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Aprendizaje de representación de entidades desacopladas para la clasificación de anuncios de Pinterest
Created by
Haebom
Autor
Jie Liu, Yinrui Li, Jiankai Sun, Kungang Li, Han Sun, Sihan Wang, Huasen Wu, Siyuan Gao, Paulo Soares, Nan Li, Zhifang Liu, Haoyang Li, Siping Ji, Ling Leng, Prathibha Deshikachar
Describir
Este documento presenta un marco de trabajo ascendente-descendente para generar incrustaciones de usuarios y pines a partir de diversas fuentes de datos, con el fin de ofrecer de forma eficaz pines y anuncios personalizados en Pinterest. El modelo ascendente se entrena con una amplia gama de fuentes de datos que presentan diversas señales y utiliza una arquitectura compleja para capturar las complejas relaciones entre usuarios y pines en Pinterest. Para lograr la escalabilidad, las incrustaciones de entidades se aprenden y actualizan periódicamente, en lugar de calcularse en tiempo real, lo que permite la interacción asíncrona entre los modelos ascendente y descendente. Estas incrustaciones se integran como características de entrada en múltiples tareas descendentes, incluyendo modelos de búsqueda y clasificación de anuncios para la predicción de CTR y CVR. Este marco logra mejoras notables en el rendimiento, tanto en entornos offline como online, en diversas tareas descendentes, y se ha implementado en el sistema de clasificación de anuncios real de Pinterest, generando mejoras significativas en las métricas online.
Takeaways, Limitations
•
Takeaways:
◦
Un marco de abajo hacia arriba y de arriba hacia abajo que aprovecha diversas fuentes de datos presenta el potencial de generar incrustaciones de usuarios y PIN y mejorar la eficacia de la publicidad personalizada.
◦
Se presenta un método para construir sistemas escalables a través de actualizaciones periódicas de incorporaciones de entidades.
◦
Demuestra empíricamente mejoras de rendimiento tanto en entornos en línea como fuera de línea.
◦
Verificar las mejoras en las métricas en línea a través de la implementación real del sistema.
•
Limitations:
◦
Falta de descripción detallada de la arquitectura del modelo ascendente específico y de las fuentes de datos utilizadas.
◦
Falta de análisis de los mecanismos específicos y el desempeño de las interacciones asincrónicas.
◦
Falta de análisis comparativo con otros sistemas de personalización.
◦
Falta de discusión sobre la estabilidad y el mantenimiento del sistema a largo plazo.
