Meta از توکن‌های معنایی برای بهبود پیشنهاد تبلیغات استفاده می‌کند

Meta می‌گوید سامانهٔ توصیه‌گر تبلیغات GenRecs، با تکیه بر معماری مدل‌های زبانی بزرگ، محتوای تبلیغ و ترجیحات کاربران را هم‌زمان بررسی می‌کند؛ رویکردی که از تطبیق صرف بر پایهٔ الگوهای کلیک فراتر می‌رود. هدف این است که سیستم بتواند تبلیغ مرتبط‌تری را پیشنهاد دهد، حتی اگر محصول تازه‌وارد سابقه‌ای از تعامل کاربران نداشته باشد.

در پایهٔ این روش، GenRecs Tokenization قرار دارد: به‌جای اختصاص شناسه‌ای جداگانه به هر مفهوم، مدل‌ها با واژگانی کوچک از توکن‌های معنایی، اقلامی مانند تبلیغات، محصولات و خدمات را بازنمایی می‌کنند. بنابراین، محصول تازه‌ای مانند یک کفش مخصوص مسیرهای ناهموار می‌تواند از دانسته‌های قبلی مدل دربارهٔ آن دسته بهره ببرد، نه اینکه از نقطهٔ صفر آغاز کند.

طبق توضیح Meta، مدل‌های چندوجهیِ ازپیش‌آموزش‌دیده متن و تصویر هر تبلیغ، محصول یا صفحه را می‌خوانند و آن را به تعبیه‌ای حاوی اطلاعات معنایی تبدیل می‌کنند. سپس توکن‌ساز این اطلاعات را با بازنمایی‌های آموخته‌شده از تعامل کاربران ترکیب می‌کند و به دنباله‌ای کوتاه از توکن‌های گسسته تبدیل می‌کند؛ اقلام مشابه نیز توکن‌های مشترک دارند. این واژگان ساختاریافته برای بازیابی و رتبه‌بندی انواع اقلام در سامانه، از جمله تبلیغات، محصولات، صفحات و پیکسل‌ها، به کار می‌رود.