Hiểu được định vị đám đông của quảng cáo Facebook và logic hoạt động của hệ thống đề xuất quảng cáo từ mô hình thuật toán

Công cụ đề xuất quảng cáo của Meta được hỗ trợ bởi Mô hình đề xuất học sâu (DLRM), tích hợp hàng nghìn tín hiệu hoặc tính năng nhân tạo vào hệ thống đề xuất dựa trên DLRM.
Hạn chế của DLRM đối với Đề xuất Quảng cáo
Các DLRM quảng cáo được cá nhân hóa của Meta dựa vào nhiều tín hiệu khác nhau để hiểu ý định và sở thích mua hàng của mọi người. DLRM cách mạng hóa cách học từ các tính năng thưa thớt nhằm nắm bắt tương tác của một người trên các thực thể như trang Facebook, nơi thường có hàng tỷ thẻ số. Thành công của DLRM được xây dựng dựa trên khả năng tìm hiểu các biểu diễn chiều cao có thể khái quát hóa, tức là nhúng từ các tính năng thưa thớt.
Để tận dụng hàng chục nghìn tính năng như vậy, Meta sử dụng nhiều chiến lược khác nhau để kết hợp các tính năng, chuyển đổi và kết hợp chúng, rồi cuối cùng là xuất ra.
Một số ví dụ:
Quảng cáo mà một người đã nhấp vào trong N ngày qua → [Ad-id1, Ad-id2, Ad-id3, …, Ad-idN] Các trang Facebook mà một người đã truy cập trong M ngày qua, lượt truy cập của mỗi trang điểm → [(Trang-id1, 45), (Trang-id2, 30), (Trang-id3, 8), …]
Hạn chế của phương pháp này:
Mất thông tin theo trình tự: Thông tin theo trình tự (tức là thứ tự các sự kiện của người dùng) có thể cung cấp phân tích dữ liệu có giá trị để đề xuất tốt hơn các quảng cáo phù hợp với hành vi của người dùng. Tập hợp tính năng thưa thớt làm mất thông tin đơn hàng. Thông tin chi tiết bị mất: Khi các tính năng được tổng hợp giữa các sự kiện, thông tin chi tiết như các thuộc tính trong cùng một sự kiện sẽ bị mất. Dựa vào trực giác của con người: Trực giác của con người khó có thể xác định được các mẫu và tương tác phức tạp, không trực quan từ lượng lớn dữ liệu. Không gian tính năng dự phòng: Tạo nhiều biến thể tính năng bằng cách sử dụng các sơ đồ tổng hợp khác nhau. Trong khi cung cấp giá trị gia tăng, các tập hợp chồng chéo sẽ làm tăng chi phí tính toán và lưu trữ, đồng thời khiến việc quản lý tính năng trở nên cồng kềnh.
Lợi ích của mọi người phát triển theo thời gian, với mục đích phát triển và năng động. Sự phức tạp này rất khó để mô hình hóa bằng các tính năng thủ công. Việc lập mô hình các yếu tố tương tác này có thể giúp hiểu sâu hơn về hành vi của người dùng theo thời gian, từ đó đưa ra các đề xuất quảng cáo tốt hơn.
Do đó, ngoài DLRM, các tính năng dựa trên sự kiện (EBF) cũng cần được kết hợp:
Luồng sự kiện: Luồng dữ liệu cho EBF, chẳng hạn như chuỗi quảng cáo mà mọi người đã tương tác gần đây hoặc chuỗi trang mà mọi người thích. Độ dài chuỗi xác định số lượng sự kiện gần đây được hợp nhất từ ​​mỗi luồng và được xác định bởi tầm quan trọng của mỗi luồng. . Thông tin sự kiện: Nắm bắt thông tin ngữ nghĩa và ngữ cảnh về từng sự kiện trong nguồn cấp dữ liệu, chẳng hạn như danh mục quảng cáo mà người dùng đã tương tác và dấu thời gian của sự kiện.
Sự khác biệt giữa DLRM (trái) và EBF (phải):