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 thông qua đồ thị tại chỗ-ngoài trang cho quảng cáo Pinterest
Created by
Haebom
Tác giả
Jiayin Jin, Zhimeng Pan, Yang Tang, Jiarui Feng, Kungang Li, Chongyuan Xiang, Jia Cheng Li, Runze Su, Siping Ji, Han Sun, Ling Leng, Prathibha Deshikachar
Phác thảo
Chúng tôi đã áp dụng Mạng nơ-ron đồ thị (GNN) vào hệ thống quảng cáo của Pinterest để xây dựng một đồ thị không đồng nhất quy mô lớn dựa trên các tương tác quảng cáo trên trang web và các hoạt động chuyển đổi ngoài trang web của người dùng. Để khắc phục những hạn chế của các mô hình GNN hiện có, chúng tôi đã đề xuất một mô hình Nhúng đồ thị tri thức (KGE) mới có tên là TransRA (TransR với Mỏ neo) để tích hợp hiệu quả các nhúng đồ thị vào các mô hình xếp hạng quảng cáo. Ban đầu, việc tích hợp trực tiếp KGE khá khó khăn, nhưng bằng cách giới thiệu kỹ thuật bảng nhúng ID lớn và kỹ thuật tinh chỉnh KGE dựa trên sự chú ý, chúng tôi đã cải thiện đáng kể AUC của các mô hình dự đoán CTR và CVR. Khung này đã được triển khai trong mô hình tương tác quảng cáo của Pinterest, đạt được mức tăng 2,69% về CTR và giảm 1,34% về CPC.
Takeaways, Limitations
•
Takeaways:
◦
Chúng tôi trình bày một phương pháp tích hợp hiệu quả dữ liệu hoạt động của người dùng tại chỗ và ngoài trang web bằng cách tận dụng các biểu đồ không đồng nhất trên quy mô lớn.
◦
Chúng tôi trình bày một phương pháp tích hợp hiệu quả các nhúng đồ thị vào các mô hình xếp hạng quảng cáo bằng cách sử dụng mô hình KGE mới, TransRA.
◦
ĐạT được hiệu suất cải tiến trong các hệ thống quảng cáo thực tế bằng cách sử dụng các bảng nhúng ID quy mô lớn và các kỹ thuật tinh chỉnh KGE dựa trên sự chú ý.
◦
Cải thiện hiệu suất đã được xác thực trong môi trường công nghiệp thực tế (cải thiện CTR 2,69%, giảm CPC 1,34%).
•
Limitations:
◦
Ban đầu, chúng tôi gặp khó khăn khi tích hợp trực tiếp KGE vào các mô hình xếp hạng quảng cáo, điều này cho thấy cần có các giải pháp kỹ thuật bổ sung (bảng nhúng ID lớn và tinh chỉnh dựa trên sự chú ý).
◦
Phương pháp được trình bày dành riêng cho một nền tảng cụ thể, Pinterest, và cần nghiên cứu thêm để xác định khả năng áp dụng chung cho các nền tảng khác.
◦
Mô hình mục tiêu so sánh hiệu suất của mô hình TransRA không được trình bày rõ ràng. Cần phân tích so sánh sâu hơn với các mô hình KGE khác.
