当前位置:首页 > 报告详情

嵇智-生成式推荐广告召回.pdf

上传人: sec****ies 编号:734751 2025-07-26 24页 3.06MB

1、演讲人:嵇智 百度资深算法工程师百度生成式推荐广告召回背景介绍01演进工作02核心突破03未来规划04目 录CONTENTS背景介绍|生成式广告召回n传统双塔、图等模型Scaling Law已进入饱和区双塔Graph参数量召回率粗暴增加参数规模无法带来效率提升。n行为序列 vs NLP,生成式能力迁移存在空间n召回提效是系统提效的关键1.行为序列是沉淀在系统的宝贵资产2.Transformer高效的序列建模能力3.生成式+行为序列大有可为用户行为序列召回是检索系统入口,决定了下游系统的吞吐。召回精度的大幅提升,是实现漏斗压缩提效的关键。入口精度提升,降低整个系统吞吐。背景背景介绍|生成式广告召

2、回n传统双塔、图等模型Scaling Law已进入饱和区双塔Graph参数量召回率粗暴增加参数规模无法带来效率提升。n行为序列 vs NLP,生成式能力迁移存在空间n召回提效是系统提效的关键1.行为序列是沉淀在系统的宝贵资产2.Transformer高效的序列建模能力3.生成式+行为序列大有可为用户行为序列召回是检索系统入口,决定了下游系统的吞吐。召回精度的大幅提升,是实现漏斗压缩提效的关键。入口精度提升,降低整个系统吞吐。背景item1item2item3targetTransformer行业:文运传媒-视频平台公司名称:xxx传媒有限公司标题:千亿总裁,看见村姑竟低头叫妈推广点:2024热

3、播短剧转化类型:付费阅读落地页信息:性别:xx地域:xx使用设备:xx系统:xx行业:xxx公司名称:xxx标题:xxx推广点:xxx转化类型:xxx落地页信息:方案背景介绍|生成式广告召回n传统双塔、图等模型Scaling Law已进入饱和区双塔Graph参数量召回率粗暴增加参数规模无法带来效率提升。n行为序列 vs NLP,生成式能力迁移存在空间n召回提效是系统提效的关键1.行为序列是沉淀在系统的宝贵资产2.Transformer高效的序列建模能力3.生成式+行为序列大有可为用户行为序列召回是检索系统入口,决定了下游系统的吞吐。召回精度的大幅提升,是实现漏斗压缩提效的关键。入口精度提升,降

4、低整个系统吞吐。背景利用生成式范式,高效建模序列关系;生成用户下一个感兴趣的item。1)超长文本输入的性能压力,30itemsx300tokens/item=9000tokens/ins;2)短文本表示(如xx游戏、xx小说),信息损失严重;思考:Item表征优化,是核心工作之一;不同表征下的序列建模设计是第二个核心工作。要求:同时满足信息完备、性能约束、高效关系建模。任务挑战&思考item1item2item3targetTransformer行业:文运传媒-视频平台公司名称:xxx传媒有限公司标题:千亿总裁,看见村姑竟低头叫妈推广点:2024热播短剧转化类型:付费阅读落地页信息:性别:x

5、x地域:xx使用设备:xx系统:xx行业:xxx公司名称:xxx标题:xxx推广点:xxx转化类型:xxx落地页信息:方案背景介绍|生成式广告召回n传统双塔、图等模型Scaling Law已进入饱和区双塔Graph参数量召回率粗暴增加参数规模无法带来效率提升。n行为序列 vs NLP,生成式能力迁移存在空间n召回提效是系统提效的关键1.行为序列是沉淀在系统的宝贵资产2.Transformer高效的序列建模能力3.生成式+行为序列大有可为用户行为序列召回是检索系统入口,决定了下游系统的吞吐。召回精度的大幅提升,是实现漏斗压缩提效的关键。入口精度提升,降低整个系统吞吐。背景利用生成式范式,高效建模

6、序列关系;生成用户下一个感兴趣的item。1)超长文本输入的性能压力,30itemsx300tokens/item=9000tokens/ins;2)短文本表示(如xx游戏、xx小说),信息损失严重;思考:Item表征优化,是核心工作之一;不同表征下的序列建模设计是第二个核心工作。要求:同时满足信息完备、性能约束、高效关系建模。任务挑战&思考item1item2item3targetTransformer行业:文运传媒-视频平台公司名称:xxx传媒有限公司标题:千亿总裁,看见村姑竟低头叫妈推广点:2024热播短剧转化类型:付费阅读落地页信息:性别:xx地域:xx使用设备:xx系统:xx行业:x

word格式文档无特别注明外均可编辑修改,预览文件经过压缩,下载原文更清晰!
三个皮匠报告文库所有资源均是客户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
本文主要介绍了百度生成式推荐广告召回的背景、演进、核心突破和未来规划。关键点如下: 1. 背景介绍:传统双塔、图等模型参数量增加无法带来效率提升,行为序列与NLP的生成式能力迁移存在空间。 2. 演进工作:分为三个阶段,从Dense表征压缩+生成式对比学习,到Sparse量化表征+Sparse ID生成,最终实现Sparse、Dense级联表征+生成度量一体化。 3. 核心突破:COBRA框架,结合Sparse ID和Dense向量,提高召回精度。生成度量一体化Recall@800提升12pp,相对值提升36%。 4. 未来规划:探索Scaling Law边界,优化训练和推理性能,构建下一代生成式推荐系统。 核心数据:Recall@800提升12pp,相对值提升36%。
"如何提升广告召回率?" "百度生成式广告,如何突破?" "未来推荐系统,将如何演进?"
客服
商务合作
小程序
服务号
折叠