TwERC: High Performance Ensembled Candidate Generation for Ads Recommendation at Twitter

要約

【タイトル】
TwERC：Twitterの広告推薦のための高速候補生成の高性能アンサンブル

【要約】
– 推奨システムは、有機的またはプロモーションされたコンテンツの推奨などの用途が含まれる社会的メディア企業の主要な機能である。
– 多くの現代の推奨システムは、候補生成とランキングの2つの段階に分割されており、計算費用と推奨品質のバランスをとっている。
– この論文では、大規模な広告推奨問題の候補生成段階に焦点を当て、この段階の機械学習初の異種再構築であるTwERCを提案します。
– リアルタイムのライトランカーと追加情報を収集できるソース戦略を組み合わせたシステムが検証済みの利益を提供することを示します。
– 我々は2つの戦略を提供しています。
– 1つ目の戦略は、相互作用グラフ内の類似性の概念を使用し、2つ目の戦略はランキング段階から前回のスコアをキャッシュします。
– グラフベースの戦略は収入を4.08％、ランクスコアベースの戦略は1.38％獲得する。
– これら2つの戦略は、軽量ランカーと互いに補完するバイアスを持っている。
– 最後に、候補生成システムの複雑な製品トレードオフを理解する手段として有益だと考える一連のメトリックを説明します。

要約(オリジナル)

Recommendation systems are a core feature of social media companies with their uses including recommending organic and promoted contents. Many modern recommendation systems are split into multiple stages – candidate generation and heavy ranking – to balance computational cost against recommendation quality. We focus on the candidate generation phase of a large-scale ads recommendation problem in this paper, and present a machine learning first heterogeneous re-architecture of this stage which we term TwERC. We show that a system that combines a real-time light ranker with sourcing strategies capable of capturing additional information provides validated gains. We present two strategies. The first strategy uses a notion of similarity in the interaction graph, while the second strategy caches previous scores from the ranking stage. The graph based strategy achieves a 4.08% revenue gain and the rankscore based strategy achieves a 1.38% gain. These two strategies have biases that complement both the light ranker and one another. Finally, we describe a set of metrics that we believe are valuable as a means of understanding the complex product trade offs inherent in industrial candidate generation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI