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.
Học biểu diễn thực thể tách rời để xếp hạng quảng cáo trên Pinterest
Created by
Haebom
Tác giả
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
Phác thảo
Bài báo này trình bày một khuôn khổ từ dưới lên trên xuống để tạo nhúng người dùng và ghim từ nhiều nguồn dữ liệu khác nhau nhằm phân phối hiệu quả các Ghim và quảng cáo được cá nhân hóa trên Pinterest. Mô hình từ dưới lên được đào tạo trên nhiều nguồn dữ liệu có các tín hiệu đa dạng và sử dụng kiến trúc phức tạp để nắm bắt các mối quan hệ phức tạp giữa người dùng và Ghim trên Pinterest. Để đạt được khả năng mở rộng, các nhúng thực thể được học và cập nhật định kỳ, thay vì được tính toán theo thời gian thực, cho phép tương tác không đồng bộ giữa các mô hình từ dưới lên và từ trên xuống. Các nhúng này được tích hợp dưới dạng các tính năng đầu vào vào nhiều tác vụ từ trên xuống, bao gồm tìm kiếm quảng cáo và các mô hình xếp hạng để dự đoán CTR và CVR. Khuôn khổ này đạt được mức tăng hiệu suất đáng kể trong cả môi trường ngoại tuyến và trực tuyến trên nhiều tác vụ từ trên xuống và đã được triển khai trong hệ thống xếp hạng quảng cáo trong thế giới thực của Pinterest, mang lại mức tăng đáng kể về số liệu trực tuyến.
Takeaways, Limitations
•
Takeaways:
◦
Một khuôn khổ từ dưới lên trên tận dụng nhiều nguồn dữ liệu khác nhau mang lại tiềm năng tạo ra các nội dung nhúng cho người dùng và mã pin, đồng thời cải thiện hiệu quả quảng cáo được cá nhân hóa.
◦
Trình bày phương pháp xây dựng hệ thống có khả năng mở rộng thông qua việc cập nhật thường xuyên các nhúng thực thể.
◦
Thực nghiệm chứng minh sự cải thiện hiệu suất trong cả môi trường trực tuyến và ngoại tuyến.
◦
Xác minh sự cải thiện về số liệu trực tuyến thông qua việc triển khai hệ thống thực tế.
•
Limitations:
◦
Thiếu mô tả chi tiết về kiến trúc của mô hình từ dưới lên cụ thể và các nguồn dữ liệu được sử dụng.
◦
Thiếu phân tích về cơ chế cụ thể và hiệu suất của các tương tác không đồng bộ.
◦
Thiếu phân tích so sánh với các hệ thống cá nhân hóa khác.
◦
Thiếu thảo luận về tính ổn định và bảo trì hệ thống lâu dài.
