基于 GPU 的高效嵌入式广告检索与特征交互

在大规模广告推荐系统中，检索是关键组件，旨在从海量广告库中高效筛选出与用户行为相关的候选广告，以供后续排序和推荐。基于嵌入的检索（Embedding-Based Retrieval, EBR）方法由双塔网络建模，广泛应用于行业，以维持检索效率与准确性。然而，双塔模型存在显著局限性：用户和广告的嵌入向量仅在最终内积计算时进行交互，导致特征交互能力不足。虽然引入以用户和广告作为输入特征的 DNN 模型，允许在特征层面进行早期交互以缓解此问题，但在检索阶段计算难以实现。为填补这一差距，本文提出一种基于 GPU 的高效特征交互方案，用于双塔网络，以显著提升检索准确性并大幅降低计算成本。具体而言，我们引入一种专为 GPU 加速设计的压缩倒排表，实现大规模特征交互计算。据我们了解，这是行业首个在检索系统中成功实现 Wide and Deep 的框架。我们将该模型应用于腾讯广告的实际业务场景，实验结果表明该方法在离线评估中优于现有方法，并已成功部署至腾讯广告推荐系统，实现显著的线上性能提升。该改进不仅验证了所提方法的有效性，也为优化大规模广告检索系统提供了新的实用指导。