Google生产环境中的推荐系统大揭秘——工业规模的广告推荐模型的ML工程

论文名：On the Factory Floor: ML Engineering for Industrial-Scale Ads Recommendation Models

发布时间：2022年9月12日

论文地址：https://arxiv.org/abs/2209.05310

代码地址：

原文摘要：对于工业规模的广告系统，广告点击率（CTR）的预测是一个核心问题。广告点击率构成了用户参与的一个重要类别，并经常被用作广告对用户有用性的主要信号。此外，在按点击率收费的广告系统中，广告商按点击率收费，点击率预期直接反馈到价值评估中。因此，对于大多数互联网广告公司来说，点击率模型的开发是一项重大投资。针对此类问题的工程需要许多适合在线学习的机器学习（ML）技术，这些技术远远超出了传统的准确性改进，特别是关于效率、可重复性、校准、信用归属。我们提出了一个部署在谷歌搜索广告CTR模型中的实用技术的案例研究。本文提供了一个行业案例研究，强调了当前ML研究的重要领域，并说明了如何在大规模的工业环境中评估有影响力的新ML方法并使其发挥作用。