引见下 Pinterest 的系统:
下方为离线计算:
首先,离线计算好用户的特征向量;
然后,基于种子用户 m 次映射结果,计算一切区域的得分;
再者,对最近拜访过 Pinterest 用户计算得分,排序后卡一个阈值。(应用桶排序,阈值大小依据广告主需求排定,满足广告投放需求即可);
最后,组成 <user, adv> 停止广告投放;
作者在实验的时分发现,Classifier-based 和 Embedding-based 混合起来的 Blending-based 比较好用:
3. Conclusion看的这几篇都是工业界的论文,最大的感受是十分适用,工业风满满,特别是最后一篇 Pinterest 的 Look-alike,论文细节十分多,也十分的适用。
4. Reference《Effective Audience Extension in Online Advertising》
《A Sub-linear, Massive-scale Look-alike Audience Extension System》
《Audience Expansion for Online Social Network Advertising》
《Real-time Attention Based Look-alike Model for Recommender System》
《Finding Users Who Act Alike: Transfer Learning for Expanding Advertiser Audiences》
RALM:微信看一看中基于Attention机制的实时Look-alike引荐模型 (jianshu.com)
【编辑引荐】
ISIS、BGP、MPLS v隧道、QOS 技术精讲(肖哥)
Java系列技术之JDBC操作数据库
大型移动运用背后的架构探秘:运用新技术促进架构的演进
经典算法:无序数组寻觅第K大的数值
韩国用AI预防汉桥自杀:正在用救援数据训练机器学习模型
(责任编辑:admin)