面向广告投放优化的异步学习用户嵌入
信息检索
2024-06-25 v2 人工智能
机器学习
摘要
在推荐系统中，高质量的用户嵌入可以捕捉细微偏好，实现精确的相似性计算，并适应随时间变化的偏好以保持相关性。推荐系统的效果取决于用户嵌入的质量。我们提出异步学习来自数十亿用户每日的基于序列的多模态用户活动的高保真度用户嵌入。通过类 Transformer 的大规模特征学习模块实现。我们进一步将异步学习的用户表示嵌入（ALURE）转换为用户相似图，通过图学习方法，然后与用户实时活动结合，用于检索广告投放系统中高度相关的广告候选。我们的方法在离线和在线实验中显示出显著的性能提升。
引用
@article{arxiv.2406.05898,
title = {Async Learned User Embeddings for Ads Delivery Optimization},
author = {Mingwei Tang and Meng Liu and Hong Li and Junjie Yang and Chenglin Wei and Boyang Li and Dai Li and Rengan Xu and Yifan Xu and Zehua Zhang and Xiangyu Wang and Linfeng Liu and Yuelei Xie and Chengye Liu and Labib Fawaz and Li Li and Hongnan Wang and Bill Zhu and Sri Reddy},
journal= {arXiv preprint arXiv:2406.05898},
year = {2024}
}
备注
Accepted by workshop on Multimodal Representation and Retrieval at SIGIR 2024, Washington DC