基于Onsite-Offsite图的实体表示学习：针对Pinterest广告

图神经网络 (GNN) 在行业推荐系统中得到了广泛应用，如 GraphSage、TwHIM、LiGNN 等。在这些工作中，基于用户在平台上的活动构建图，并开发出各种图模型来有效学习节点嵌入。除了用户的Onsite活动外，他们的Offsite转化数据对于捕捉购物兴趣至关重要。为更好地利用Offsite转换数据并探索Onsite和Offsite活动之间的联系，我们构建了一个基于用户Onsite广告互动和opt-in Offsite转化活动的大规模异构图。此外，我们引入了 TransRA (TransR [TransR] with Anchors)，一种新的知识图嵌入 (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集成知识图嵌入，离线实验中仅观察到有限的提升。为解决这一挑战，我们采用了大型 ID 嵌入表技术，并创新了一种基于注意力机制的 KGE 微调方法嵌入到广告排序模型中。结果表明，在点击-through 率 (CTR) 和转化率 (CVR) 预测模型中实现了显著的 AUC 提升。此框架已部署到 Pinterest 的广告参与度模型中，为 CTR 提升 2.69% 和 CPC 降低 1.34% 贡献了重要作用。我们认为本文所述技术可被其他大规模工业模型所采用。