研究人员开发了一种新的人类用户基础模型,专为开放网络设计,解决了用户身份碎片化和非持久性带来的挑战。该模型利用用户浏览历史的自监督学习,应用了经过掩码语言建模和序列级对比目标预训练的Transformer编码器。在为期7天的A/B测试中,该方法在下游生产任务中显示出显著的改进,包括点击率(CTR)提高2.13%,每点击成本(eCPC)降低1.13%。 AI
影响 这项研究可以通过更好地利用碎片化的用户数据来改善开放网络的个性化和广告定位。
排序理由 该集群包含一篇详细介绍新模型及其性能评估的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv Recommender
- Litmaps
- ScienceCast
- scite Smart Citations
- Transformer++
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →