DynamiX：面向个性化广告推荐的动态资源探索
机器学习
2025-11-25 v1 软件工程
摘要
对于在线广告推荐系统，处理完整的用户-广告互动历史数据既计算密集又容易受噪声影响。我们引入Dynamix，这是一个可扩展的、面向个性化序列探索的框架，通过最大相关性原则和通过基于事件的特征(EBFs)的自监督学习来优化事件历史处理。Dynamix利用停留时间与广告转换事件之间的相关性，在会话和表面层面对用户-互动进行分类。这使得针对某些用户片段实现针对性的事件级特征删除和选择性特征提升，从而在不牺牲吸引性广告预测准确性的前提下，获得训练和推理效率收益。虽然动态资源删除使训练和推理吞吐量分别提高1.15%和1.8%，但动态特征提升在基线模型上实现了0.033 NE收益，并将推理QPS提升4.2%。这些结果表明Dynamix在面向用户序列的在线推荐模型中实现了显著的成本效益和性能提升。自监督的用户分段和资源探索可以进一步提升复杂特征选择策略，同时优化工作流程和计算资源。
引用
@article{arxiv.2511.18331,
title = {DynamiX: Dynamic Resource eXploration for Personalized Ad-Recommendations},
author = {Sohini Roychowdhury and Adam Holeman and Mohammad Amin and Feng Wei and Bhaskar Mehta and Srihari Reddy},
journal= {arXiv preprint arXiv:2511.18331},
year = {2025}
}
备注
9 pages, 3 Tables, 5 images. https://openreview.net/pdf?id=oglD54lvcB