Async Learned User Embeddings for Ads Delivery Optimization

在推荐系统中，高质量的用户嵌入可以捕捉微妙的偏好，实现精确的相似度计算，并能够适应随时间变化的偏好以保持相关性。推荐系统的有效性取决于用户嵌入的质量。我们提出了一种异步学习模式，通过基于序列的多模态用户活动，利用类Transformer的大规模特征学习模块每天异步学习数十亿个用户的高保真度用户嵌入。异步学习的用户表示嵌入（ALURE）进一步通过图学习转换为用户相似度图，然后与用户实时活动结合，为广告投放系统检索高度相关的广告候选项。我们的方法在离线和在线实验中都显示出显著的增益。

论文旨在解决推荐系统中用户嵌入质量的问题，通过异步学习高保真用户嵌入来提高推荐系统的效果。

论文提出了一种基于Transformer的大规模特征学习模块来异步学习高保真用户嵌入，然后通过图学习将其转换为用户相似度图，并结合用户实时活动来检索高度相关的广告候选项。

论文在离线和在线实验中都取得了显著的增益。值得关注的是，论文使用了多模态用户活动序列数据集，并且使用了异步学习方法来提高效率。论文还开源了代码。

在推荐系统领域，最近的相关研究包括《Deep Interest Network for Click-Through Rate Prediction》和《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》。