A Representação Hierárquica de Interesses é uma área de pesquisa para Anúncios Meta. Estamos explorando uma camada de representação upstream sobre o universo das entidades de Anúncios – usuários, anunciantes, produtos, serviços – aprendendo embeddings unificados que conectam os interesses inferidos dos usuários com a amplitude do que os anunciantes oferecem em seus anúncios de funil profundo. As inovações na Representação Hierárquica de Interesses envolvem aprendizado de grafo baseado em transformer interno com atenção sensível ao viés e destilação de visualização cruzada autossupervisionada, aprendendo representações de interesse multi-hierárquicas em um grafo grande. A Representação Hierárquica de Interesses combina o conhecimento do mundo real com sinais de engajamento – conteúdo multimodal de anunciantes e produtos processado por LLMs enriquece interações esparsas, permitindo a generalização para entidades raras e não vistas. A Representação Hierárquica de Interesses gera embeddings universais para entidades de anúncios e tokens de interesse 'Bag-of-Meaning' que têm o potencial de impulsionar novas arquiteturas de personalização, recuperação, supervisão e ranqueamento especializado em toda a pilha de anúncios. Treinada de ponta a ponta em dados reais de anúncios Meta na escala de bilhões de interações. A Representação Hierárquica de Interesses é uma camada de representação upstream projetada para aprimorar a otimização de ranqueamento de funil profundo do Meta. Ela visa conectar empresas com a população de pessoas em nossas plataformas que possuem o interesse latente mais genuíno no que elas oferecem. O sistema se destina a funcionar em todo o ecossistema de recomendação mais amplo do Meta, como o Modelo de Anúncios Generativos (GEM) do Meta, Andromeda, e o Modelo de Ranqueamento Adaptativo, para avançar a otimização de funil profundo. As pessoas vêm para os aplicativos e plataformas do Meta para se conectar com pessoas e conteúdo, expressando preferência a cada rolagem. Sinais de engajamento são usados para entender tanto os interesses inferidos quanto os explícitos e melhorar a relevância do conteúdo em nossas plataformas. Utilizando IA de ponta para mapear interesses latentes a partir de sinais de engajamento esparsos e alinhar.
Fonte: Meta Engineering - AI Research
Publicado em 2026-07-15