EGA-V1：通过端到端学习统一在线广告
信息检索
2025-06-03 v2
摘要
现代工业广告系统通常采用多级级联架构（MCA）来平衡计算效率与排序准确性。然而，这种方法带来了两个根本性挑战：（1）由于各阶段优化目标不一致以及能力差异导致的性能不一致；（2）未能考虑广告外部性，即排序过程中候选广告之间的复杂交互。这些局限性最终损害了系统有效性并降低了平台盈利能力。在本文中，我们提出了 EGA-V1，一种将在线广告排序统一为单一模型的端到端生成式架构。EGA-V1 用单一模型取代了级联各阶段，直接从基于位置服务（LBS）的完整候选广告库中生成最优广告序列。该方法面临的主要挑战在于特征处理的高成本以及大规模候选池外部性建模中的计算瓶颈。为了应对这些挑战，EGA-V1 引入了算法与引擎协同设计的混合特征服务，以解耦用户与广告特征处理，在保持表达能力的同时降低延迟。为了高效提取序列内与跨序列的互信息，我们提出了以创新的聚类注意力机制为核心架构组件的 RecFormer。此外，我们提出了一种双阶段训练策略，将预训练与基于强化学习的后训练相结合，以满足复杂的平台与广告目标。在公开基准上的广泛离线评估以及在工业广告平台上的大规模在线 A/B 测试表明，EGA-V1 的性能优于最先进的 MCA。
引用
@article{arxiv.2505.19755,
title = {EGA-V1: Unifying Online Advertising with End-to-End Learning},
author = {Junyan Qiu and Ze Wang and Fan Zhang and Zuowu Zheng and Jile Zhu and Jiangke Fan and Teng Zhang and Haitao Wang and Yongkang Wang and Xingxing Wang},
journal= {arXiv preprint arXiv:2505.19755},
year = {2025}
}