Entity Representation Learning Through Onsite-Offsite Graph for Pinterest Ads
Created by
Haebom
저자
Jiayin Jin, Zhimeng Pan, Yang Tang, Jiarui Feng, Kungang Li, Chongyuan Xiang, Jiacheng Li, Runze Su, Siping Ji, Han Sun, Ling Leng, Prathibha Deshikachar
개요
Pinterest 광고 시스템에 GNN(Graph Neural Networks)을 적용하여 사용자의 온사이트 광고 상호작용과 옵트인 오프사이트 전환 활동을 기반으로 대규모 이종 그래프를 구축했습니다. 기존 GNN 모델들의 한계를 극복하기 위해, TransRA(TransR with Anchors)라는 새로운 KGE(Knowledge Graph Embedding) 모델을 제안하여 그래프 임베딩을 광고 순위 모델에 효율적으로 통합했습니다. 초기에는 KGE를 직접 통합하는 데 어려움을 겪었으나, 대규모 ID 임베딩 테이블 기법과 주의 기반 KGE 미세조정 기법을 도입하여 CTR 및 CVR 예측 모델의 AUC를 크게 향상시켰습니다. 이 프레임워크는 Pinterest의 광고 참여 모델에 배포되어 2.69%의 CTR 향상과 1.34%의 CPC 감소를 달성했습니다.
시사점, 한계점
•
시사점:
◦
대규모 이종 그래프를 활용하여 온사이트 및 오프사이트 사용자 활동 데이터를 효과적으로 통합하는 방법 제시.
◦
새로운 KGE 모델인 TransRA를 통해 그래프 임베딩을 광고 순위 모델에 효과적으로 통합하는 방법 제시.
◦
대규모 ID 임베딩 테이블 및 주의 기반 KGE 미세조정 기법을 통해 실제 광고 시스템 성능 향상을 달성.
◦
실제 산업 환경에서의 성능 향상을 검증 (2.69% CTR 향상, 1.34% CPC 감소).
•
한계점:
◦
초기에는 KGE를 광고 순위 모델에 직접 통합하는 데 어려움을 겪었음. 이는 추가적인 기술적 해결책(대규모 ID 임베딩 테이블 및 주의 기반 미세조정)을 필요로 함을 시사.
◦
제시된 방법론이 Pinterest라는 특정 플랫폼에 특화되어 다른 플랫폼으로의 일반화 가능성에 대한 추가 연구 필요.
◦
TransRA 모델의 성능 비교 대상 모델이 명확하게 제시되지 않음. 다른 KGE 모델과의 비교 분석이 추가적으로 필요.
