Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Entity Representation Learning Through Onsite-Offsite Graph for Pinterest Ads

Created by
  • Haebom

作者

Jiayin Jin, Zhimeng Pan, Yang Tang, Jiarui Feng, Kungang Li, Chongyuan Xiang, Jiacheng Li, Runze Su, Siping Ji, Han Sun, Ling Leng, Prathibha Deshikachar

概要

Pinterest広告システムにGNN(Graph Neural Networks)を適用して、ユーザーのオンサイト広告の相互作用とオプトインオフサイトコンバージョンアクティビティに基づいて大規模な異種グラフを構築しました。既存のGNNモデルの限界を克服するために、TransR(TransR with Anchors)という新しいKGE(Knowledge Graph Embedding)モデルを提案し、グラフ埋め込みを広告ランクモデルに効率的に統合しました。当初はKGEを直接統合することが困難でしたが、大規模なID埋め込みテーブル技術と注意ベースのKGE微調整技術を導入し、CTRおよびCVR予測モデルのAUCを大幅に向上しました。このフレームワークはPinterestの広告参加モデルに展開され、2.69%のCTR向上と1.34%のCPC削減を達成しました。

Takeaways、Limitations

Takeaways:
大規模な異種グラフを活用してオンサイトおよびオフサイトのユーザー活動データを効果的に統合する方法を提示する。
新しいKGEモデルであるTransRAによるグラフ埋め込みを広告ランクモデルに効果的に統合する方法を提示する。
大規模なID埋め込みテーブルと注意ベースのKGE微調整技術により、実際の広告システムのパフォーマンスを向上させます。
実際の産業環境でのパフォーマンスの向上を検証(2.69%CTR向上、1.34%CPC減少)。
Limitations:
当初は、KGEを広告ランクモデルに直接統合するのが困難でした。これは、追加の技術的解決策(大規模なID埋め込みテーブルと注意ベースの微調整)が必要であることを示唆しています。
提示された方法論はPinterestと呼ばれる特定のプラットフォームに特化し、他のプラットフォームへの一般化の可能性に関するさらなる研究が必要である。
TransRAモデルの性能比較対象モデルは明確に示されていない。他のKGEモデルとの比較分析がさらに必要。
👍