AutoTask: 面向多任务广告相关性的任务感知多面单模型
信息检索
2024-07-10 v1 人工智能
计算与语言
机器学习
摘要
广告相关性模型对于确定用户搜索查询与广告投放之间的相关性至关重要，通常被构建为一个分类问题。当存在多种广告类型和不同场景时，建模的复杂性会显著增加，这些场景既表现出相似性又存在差异性。在这项工作中，我们引入了一种新颖的多面注意力模型，该模型执行任务感知的特征组合和跨任务交互建模。我们的技术将特征组合问题表述为“语言”建模，在特征和任务维度上使用自回归注意力。具体来说，我们引入了一个新的任务 ID 编码维度用于任务表示，从而能够在不同的广告场景中进行精确的相关性建模，并显著提高对未见任务的泛化能力。我们证明，我们的模型不仅能够有效处理随着场景增多而增加的计算和维护需求，而且在使用单一统一模型时，在一系列广告应用中优于通用的 DNN 模型甚至特定任务的模型。
引用
@article{arxiv.2407.06549,
title = {AutoTask: Task Aware Multi-Faceted Single Model for Multi-Task Ads Relevance},
author = {Shouchang Guo and Sonam Damani and Keng-hao Chang},
journal= {arXiv preprint arXiv:2407.06549},
year = {2024}
}