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.
Apprentissage de la représentation d'entités découplées pour le classement des publicités Pinterest
Created by
Haebom
Auteur
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
Contour
Cet article présente un cadre ascendant-descendant permettant de générer des intégrations d'utilisateurs et d'épingles à partir de diverses sources de données, afin de diffuser efficacement des épingles et des publicités personnalisées sur Pinterest. Ce modèle ascendant est entraîné sur un large éventail de sources de données présentant des signaux variés et utilise une architecture complexe pour capturer les relations complexes entre les utilisateurs et les épingles sur Pinterest. Pour garantir l'évolutivité, les intégrations d'entités sont apprises et mises à jour périodiquement, plutôt que calculées en temps réel, ce qui permet une interaction asynchrone entre les modèles ascendant et descendant. Ces intégrations sont intégrées comme caractéristiques d'entrée dans plusieurs tâches descendantes, notamment les modèles de recherche et de classement des annonces pour la prédiction du CTR et du CVR. Ce cadre permet des gains de performance notables, tant en ligne qu'hors ligne, pour diverses tâches descendantes. Il a été déployé dans le système de classement des annonces en situation réelle de Pinterest, générant des gains significatifs sur les indicateurs en ligne.
Takeaways, Limitations
•
Takeaways:
◦
Un cadre ascendant-descendant exploitant diverses sources de données présente le potentiel de générer des intégrations d'utilisateurs et d'épingles et d'améliorer l'efficacité de la publicité personnalisée.
◦
Une méthode permettant de construire des systèmes évolutifs grâce à des mises à jour régulières des intégrations d'entités est présentée.
◦
Démontre empiriquement des améliorations de performances dans les environnements hors ligne et en ligne.
◦
Vérifiez les améliorations des mesures en ligne grâce au déploiement réel du système.
•
Limitations:
◦
Manque de description détaillée de l'architecture du modèle ascendant spécifique et des sources de données utilisées.
◦
Manque d’analyse des mécanismes spécifiques et des performances des interactions asynchrones.
◦
Manque d’analyse comparative avec d’autres systèmes de personnalisation.
◦
Manque de discussion sur la stabilité et la maintenance du système à long terme.
