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 des entités via un graphique sur site/hors site pour les publicités Pinterest
Created by
Haebom
Auteur
Jiayin Jin, Zhimeng Pan, Yang Tang, Jiarui Feng, Kungang Li, Chongyuan Xiang, Jiacheng Li, Runze Su, Siping Ji, Han Sun, Ling Leng, Prathibha Deshikachar
Contour
Nous avons appliqué les réseaux de neurones graphiques (GNN) au système publicitaire de Pinterest afin de créer un graphe hétérogène à grande échelle basé sur les interactions publicitaires des utilisateurs sur site et leurs activités de conversion hors site. Pour surmonter les limites des modèles GNN existants, nous avons proposé un nouveau modèle d'intégration de graphes de connaissances (KGE) appelé TransRA (TransR avec ancres) pour intégrer efficacement les intégrations de graphes aux modèles de classement des annonces. Initialement, l'intégration directe de KGE était complexe, mais l'introduction d'une technique de table d'intégration d'identifiants volumineux et d'une technique d'ajustement KGE basée sur l'attention nous a permis d'améliorer significativement l'AUC des modèles de prédiction du CTR et du CVR. Ce cadre a été déployé dans le modèle d'engagement publicitaire de Pinterest, avec une augmentation de 2,69 % du CTR et une baisse de 1,34 % du CPC.
Takeaways, Limitations_
•
Takeaways:
◦
Nous présentons une méthode permettant d’intégrer efficacement les données d’activité des utilisateurs sur site et hors site en exploitant des graphiques hétérogènes à grande échelle.
◦
Nous présentons une méthode permettant d'intégrer efficacement les intégrations graphiques dans les modèles de classement des publicités à l'aide d'un nouveau modèle KGE, TransRA.
◦
Obtenir des performances améliorées dans les systèmes publicitaires du monde réel en utilisant des tables d'intégration d'ID à grande échelle et des techniques de réglage fin KGE basées sur l'attention.
◦
Améliorations des performances validées dans des environnements industriels réels (amélioration du CTR de 2,69 %, réduction du CPC de 1,34 %).
•
Limitations:
◦
Au début, nous avons rencontré des difficultés pour intégrer directement KGE dans les modèles de classement des annonces, ce qui suggère la nécessité de solutions techniques supplémentaires (grandes tables d'intégration d'ID et réglage fin basé sur l'attention).
◦
La méthodologie présentée est spécifique à une plateforme spécifique, Pinterest, et des recherches supplémentaires sont nécessaires pour déterminer sa généralisabilité à d’autres plateformes.
◦
Le modèle cible de comparaison des performances du modèle TransRA n'est pas clairement présenté. Une analyse comparative plus approfondie avec d'autres modèles KGE est nécessaire.
