通过 Pinterest 广告的站内-站外图进行实体表示学习
机器学习
2025-08-07 v2 人工智能
软件工程
摘要
图神经网络（GNN）已广泛应用于工业推荐系统，如 GraphSage、TwHIM、LiGNN 等模型。在这些工作中，图是基于用户在平台上的活动构建的，并开发了各种图模型以有效学习节点嵌入。除了用户的站内活动外，其站外转化对于广告模型捕捉用户的购物兴趣至关重要。为了更好地利用站外转化数据并探索站内与站外活动之间的联系，我们基于用户的站内广告互动和授权的站外转化活动构建了一个大规模异构图。此外，我们引入了 TransRA（带锚点的 TransR），一种新颖的知识图谱嵌入（KGE）模型，以更高效地将图嵌入整合到广告排序模型中。然而，我们的广告排序模型最初难以直接整合知识图谱嵌入（KGE），在离线实验中仅观察到微小的提升。为应对这一挑战，我们采用了大型 ID 嵌入表技术，并在广告排序模型中创新了一种基于注意力的 KGE 微调方法。结果，我们在点击率（CTR）和转化率（CVR）预测模型中观察到显著的 AUC 提升。此外，该框架已部署在 Pinterest 的广告互动模型中，贡献了 的 CTR 提升和 的 CPC 降低。我们相信本文提出的技术可被其他大规模工业模型所利用。
引用
@article{arxiv.2508.02609,
title = {Entity Representation Learning Through Onsite-Offsite Graph for Pinterest Ads},
author = {Jiayin Jin and Zhimeng Pan and Yang Tang and Jiarui Feng and Kungang Li and Chongyuan Xiang and Jiacheng Li and Runze Su and Siping Ji and Han Sun and Ling Leng and Prathibha Deshikachar},
journal= {arXiv preprint arXiv:2508.02609},
year = {2025}
}