論文の概要: Entity Representation Learning Through Onsite-Offsite Graph for Pinterset Ads
- arxiv url: http://arxiv.org/abs/2508.02609v1
- Date: Mon, 04 Aug 2025 17:00:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.444447
- Title: Entity Representation Learning Through Onsite-Offsite Graph for Pinterset Ads
- Title（参考訳）: Pinterset Adsのためのオンサイトオフサイトグラフによるエンティティ表現学習
- Authors: Jiayin Jin, Zhimeng Pan, Yang Tang, Jiarui Feng, Kungang Li, Chongyuan Xiang, Jiacheng Li, Runze Su, Siping Ji, Han Sun, Ling Leng, Prathibha Deshikachar,
- Abstract要約: 我々は,ユーザのオンサイトおよびオフサイト変換活動に基づく大規模異種グラフを開発する。
我々は,新しい知識グラフ埋め込み(KGE)モデルであるTransRAを導入し,グラフ埋め込みをより効率的にAdsランキングモデルに統合する。
我々はClick-Through Rate (CTR) とConversion Rate (CVR) の予測モデルにおいて重要なAUCリフトを観測する。
- 参考スコア（独自算出の注目度）: 17.339008918554715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNN) have been extensively applied to industry recommendation systems, as seen in models like GraphSage\cite{GraphSage}, TwHIM\cite{TwHIM}, LiGNN\cite{LiGNN} etc. In these works, graphs were constructed based on users' activities on the platforms, and various graph models were developed to effectively learn node embeddings. In addition to users' onsite activities, their offsite conversions are crucial for Ads models to capture their shopping interest. To better leverage offsite conversion data and explore the connection between onsite and offsite activities, we constructed a large-scale heterogeneous graph based on users' onsite ad interactions and opt-in offsite conversion activities. Furthermore, we introduced TransRA (TransR\cite{TransR} with Anchors), a novel Knowledge Graph Embedding (KGE) model, to more efficiently integrate graph embeddings into Ads ranking models. However, our Ads ranking models initially struggled to directly incorporate Knowledge Graph Embeddings (KGE), and only modest gains were observed during offline experiments. To address this challenge, we employed the Large ID Embedding Table technique and innovated an attention based KGE finetuning approach within the Ads ranking models. As a result, we observed a significant AUC lift in Click-Through Rate (CTR) and Conversion Rate (CVR) prediction models. Moreover, this framework has been deployed in Pinterest's Ads Engagement Model and contributed to $2.69\%$ CTR lift and $1.34\%$ CPC reduction. We believe the techniques presented in this paper can be leveraged by other large-scale industrial models.
- Abstract（参考訳）: Graph Neural Networks(GNN)は、GraphSage\cite{GraphSage}、TwHIM\cite{TwHIM}、LiGNN\cite{LiGNN}などのモデルで見られるように、業界レコメンデーションシステムに広く適用されている。
これらの研究において,ユーザのプラットフォーム上での活動に基づいてグラフを構築し,ノード埋め込みを効果的に学習するグラフモデルを開発した。
ユーザのオンサイト活動に加えて、彼らのオフサイトコンバージョンは、Adsモデルにとってショッピングの関心を捉えるのに不可欠である。
オフサイト変換データをよりよく活用し、オンサイトとオフサイト間の接続を探索するために、ユーザのオンサイト広告インタラクションとオプトインオフサイト変換アクティビティに基づいて、大規模なヘテロジニアスグラフを構築した。
さらに、我々は、新しい知識グラフ埋め込み(KGE)モデルであるTransRA(TransR\cite{TransR} with Anchors)を導入し、グラフ埋め込みをより効率的にAdsランキングモデルに統合した。
しかし、当社の広告ランキングモデルは当初、知識グラフ埋め込み(KGE)を直接組み込むのに苦労しており、オフライン実験ではわずかに利益しか得られなかった。
この課題に対処するために、我々はLarge ID Embedding Table技術を採用し、Adsランキングモデルに注意に基づくKGE微調整アプローチを革新した。
その結果,Click-Through Rate (CTR) とConversion Rate (CVR) の予測モデルでは,AUCリフトが顕著であった。
さらに、このフレームワークはPinterestのAds Engagement Modelにデプロイされ、CTRリフト2.69\%とCPCリフト1.34\%の削減に貢献した。
本論文で提示した技術は他の大規模産業モデルにも活用できると考えている。
関連論文リスト
- GRAIN: Exact Graph Reconstruction from Gradients [5.697251900862886]
フェデレーション学習は、データプライバシを持つ複数のクライアント間で協調的なモデルトレーニングを可能にすると主張している。
最近の研究によると、クライアントのプライバシーは、いわゆるグラデーション・インバージョン・アタックによってまだ危険にさらされている。
本稿では,グラフデータに対する最初の厳密な勾配反転攻撃であるGRAINについて述べる。
論文 参考訳（メタデータ） (2025-03-03T18:58:12Z) - An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。
LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。
潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
論文 参考訳（メタデータ） (2024-12-24T07:51:29Z) - LightSAGE: Graph Neural Networks for Large Scale Item Retrieval in
Shopee's Advertisement Recommendation [2.1165011830664677]
我々は、グラフ構築、モデリング、データ歪の扱いにおいて、単純で斬新でインパクトに富んだテクニックを紹介します。
我々は,強信号ユーザ行動と高精度協調フィルタリング(CF)アルゴリズムを組み合わせることで,高品質な項目グラフを構築する。
そこで我々はLightSAGEと呼ばれる新しいGNNアーキテクチャを開発し、ベクトル探索のための高品質なアイテムの埋め込みを生成する。
論文 参考訳（メタデータ） (2023-10-30T09:57:06Z) - A Study on Knowledge Graph Embeddings and Graph Neural Networks for Web
Of Things [0.0]
将来的には、Web Of Things(WoT)の領域における知識グラフは、物理世界のデジタル表現を提供することである。
本稿では,グラフエンティティの数値表現を学習するために,最先端知識グラフ埋め込み(KGE)法について検討する。
また、KGEとともにグラフニューラルネットワーク(GNN)を調査し、同じ下流タスクでの性能を比較する。
論文 参考訳（メタデータ） (2023-10-23T12:36:33Z) - Efficient Relation-aware Neighborhood Aggregation in Graph Neural Networks via Tensor Decomposition [4.041834517339835]
グラフ畳み込みネットワーク(R-GCN)の集約関数にテンソル分解を組み込んだ新しい知識グラフを提案する。
我々のモデルは、関係型によって定義される低ランクテンソルの射影行列を用いて、隣り合う実体の表現を強化する。
我々は,グラフ処理に固有の1-k-kエンコーダ法のトレーニング制限を緩和するために,コントラスト学習にインスパイアされたトレーニング戦略を採用する。
論文 参考訳（メタデータ） (2022-12-11T19:07:34Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Contributions to Representation Learning with Graph Autoencoders and Applications to Music Recommendation [2.0849578298972835]
グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)は、教師なしノード埋め込みの強力なグループとして登場した。
このPh.D.プロジェクトの初期には、GAEとVGAEのモデルも重要な制限に悩まされ、業界で採用されるのを防いだ。
我々はこれらのモデルを改善するためにいくつかの貢献を行い、グラフ表現を含む産業レベルの問題に対処するためにそれらの利用を促進することを目的としている。
論文 参考訳（メタデータ） (2022-05-29T13:14:53Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T02:58:36Z) - Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。
本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。
本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-08T11:36:18Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳（メタデータ） (2021-06-05T07:07:52Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳（メタデータ） (2020-10-19T21:51:47Z) - Self-Constructing Graph Convolutional Networks for Semantic Labeling [23.623276007011373]
本稿では,学習可能な潜伏変数を用いて埋め込みを生成する自己構築グラフ(SCG)を提案する。
SCGは、空中画像中の複雑な形状の物体から、最適化された非局所的なコンテキストグラフを自動的に取得することができる。
本稿では,ISPRS Vaihingen データセット上で提案した SCG の有効性と柔軟性を示す。
論文 参考訳（メタデータ） (2020-03-15T21:55:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。