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

要約

レコメンデーション システムは、オーガニック コンテンツやプロモーション コンテンツのレコメンデーションなどの用途を持つソーシャル メディア企業のコア機能です。
最新のレコメンデーション システムの多くは、複数の段階 (候補の生成と重いランキング) に分割され、計算コストとレコメンデーションの品質のバランスを取ります。
このホワイト ペーパーでは、大規模な広告レコメンデーションの問題の候補生成フェーズに焦点を当て、このステージの機械学習による最初の異種再アーキテクチャを提示します。これを TwERC と呼びます。
リアルタイムのライトランカーと、追加情報を取得できるソーシング戦略を組み合わせたシステムが、検証済みの利益をもたらすことを示します。
2つの戦略を提示します。
最初の戦略は相互作用グラフで類似性の概念を使用しますが、2 番目の戦略はランキング段階から以前のスコアをキャッシュします。
グラフ ベースの戦略は 4.08% の収益増加を達成し、ランクスコア ベースの戦略は 1.38% の利益を達成します。
これらの 2 つの戦略には、ライト ランカーと相互の両方を補完するバイアスがあります。
最後に、産業用候補生成システムに固有の複雑な製品のトレードオフを理解する手段として価値があると思われる一連のメトリックについて説明します。

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, Google