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 la representación de entidades mediante gráficos dentro y fuera del sitio para anuncios de Pinterest
Created by
Haebom
Autor
Jiayin Jin, Zhimeng Pan, Yang Tang, Jiarui Feng, Kungang Li, Chongyuan Xiang, Jiacheng Li, Runze Su, Siping Ji, Han Sun, Ling Leng, Prathibha Deshikachar
Describir
Aplicamos redes neuronales de grafos (GNN) al sistema publicitario de Pinterest para construir un grafo heterogéneo a gran escala basado en las interacciones de los usuarios con anuncios en el sitio web y las actividades de conversión fuera del sitio. Para superar las limitaciones de los modelos GNN existentes, propusimos un novedoso modelo de incrustación de grafos de conocimiento (KGE) llamado TransRA (TransR con anclas) para integrar eficientemente las incrustaciones de grafos en los modelos de ranking de anuncios. Inicialmente, la integración directa de KGE fue un desafío, pero al introducir una técnica de incrustación de tablas de ID grandes y una técnica de ajuste fino de KGE basada en la atención, mejoramos significativamente el AUC de los modelos de predicción de CTR y CVR. Este marco se implementó en el modelo de interacción publicitaria de Pinterest, logrando un aumento del 2,69 % en el CTR y una disminución del 1,34 % en el CPC.
Takeaways, Limitations
•
Takeaways:
◦
Presentamos un método para integrar de manera efectiva datos de actividad de usuarios en el sitio y fuera del sitio aprovechando gráficos heterogéneos a gran escala.
◦
Presentamos un método para integrar de manera efectiva incrustaciones de gráficos en modelos de clasificación de anuncios utilizando un nuevo modelo KGE, TransRA.
◦
Lograr un mejor rendimiento en los sistemas de publicidad del mundo real utilizando tablas de incrustación de identificación a gran escala y técnicas de ajuste fino de KGE basadas en la atención.
◦
Mejoras de rendimiento validadas en entornos industriales del mundo real (mejora del CTR del 2,69 %, reducción del CPC del 1,34 %).
•
Limitations:
◦
Inicialmente, encontramos dificultades para integrar directamente KGE en los modelos de clasificación de anuncios, lo que sugiere la necesidad de soluciones técnicas adicionales (tablas de incorporación de ID grandes y ajuste fino basado en la atención).
◦
La metodología presentada es específica de una plataforma específica, Pinterest, y se necesita más investigación para determinar su generalización a otras plataformas.
◦
El modelo objetivo de comparación de rendimiento del modelo TransRA no se presenta con claridad. Se requiere un análisis comparativo más profundo con otros modelos KGE.
