التمثيل الهرمي للاهتمامات: طبقة تمثيل ذكية لتحسين إعلانات Meta في القمع العميق

ما هو التمثيل الهرمي للاهتمامات في إعلانات Meta؟

التمثيل الهرمي للاهتمامات, إعلانات Meta, تحسين القمع العميق:

يمثل التمثيل الهرمي للاهتمامات مجالاً بحثياً متقدماً يعمل عليه فريق Meta بهدف بناء طبقة تمثيل عليا تغطي عالم الكيانات الإعلانية بالكامل، بدءاً من المستخدمين والمعلنين وصولاً إلى المنتجات والخدمات. تقوم فكرة هذه الطبقة على تعلم تمثيلات موحدة تربط بين اهتمامات المستخدمين المستنتجة وبين اتساع ما يقدمه المعلنون ضمن إعلانات القمع العميق، بحيث يصبح التواصل بين الأعمال والجمهور أكثر دقة وعمقاً.

الفكرة الجوهرية هنا هي أن الأشخاص يأتون إلى تطبيقات Meta ومنصاتها للتواصل مع الناس والمحتوى، ويعبّرون عن تفضيلاتهم مع كل عملية تمرير على الشاشة. يلتقط التمثيل الهرمي للاهتمامات هذه الإشارات ويحوّلها إلى فهم أعمق يخدم عملية توصيل الإعلان المناسب للشخص المناسب.

كيف يعمل التمثيل الهرمي للاهتمامات؟

يعتمد هذا النظام على مجموعة من الابتكارات التقنية التي طُوّرت داخلياً في Meta، وأبرزها تعلّم الرسوم البيانية القائم على بنية Transformer. يجمع هذا الأسلوب بين عدة مكونات متكاملة تعمل معاً لإنتاج تمثيلات غنية للاهتمامات عبر رسم بياني واسع النطاق.

الانتباه المراعي للتحيز

يستخدم النظام آلية انتباه مصممة لتكون مدركة للتحيزات المحتملة في البيانات، ما يساعد على إنتاج تمثيلات أكثر توازناً وعدالة عند ربط المستخدمين بالكيانات الإعلانية المختلفة.

التقطير التبادلي ذاتي الإشراف

يعتمد النظام على تقنية التقطير عبر وجهات نظر متعددة بأسلوب ذاتي الإشراف، بحيث يتعلم النموذج من زوايا مختلفة للبيانات دون الحاجة إلى تصنيف يدوي مكثف. يتيح هذا الأسلوب تعلّم تمثيلات هرمية متعددة المستويات للاهتمامات عبر الرسم البياني الضخم.

دمج المعرفة الواقعية مع إشارات التفاعل

من أهم ما يميز هذا النهج أنه يمزج بين المعرفة المستمدة من العالم الواقعي وبين إشارات التفاعل الفعلي. فمحتوى المعلنين والمنتجات متعدد الوسائط تتم معالجته عبر نماذج اللغة الكبيرة LLMs، ما يُثري التفاعلات المتناثرة أو القليلة. هذه العملية تمكّن النظام من التعميم والتعامل مع الكيانات النادرة أو غير المرئية سابقاً، وهي إحدى أصعب التحديات في أنظمة التوصية الإعلانية.

مخرجات النظام: التمثيلات الموحدة ورموز الاهتمام

ينتج التمثيل الهرمي للاهتمامات نوعين رئيسيين من المخرجات القيمة. الأول هو التمثيلات العددية الموحدة (Embeddings) الخاصة بالكيانات الإعلانية، والتي توفر لغة رقمية مشتركة تصف كل كيان ضمن النظام. أما الثاني فهو ما يُعرف بـ رموز الاهتمام Bag-of-Meaning، وهي رموز دلالية تختصر معاني الاهتمامات بصورة قابلة للاستخدام.

تمتلك هذه المخرجات القدرة على تشغيل قدرات جديدة عبر منظومة الإعلانات، من بينها:

• التخصيص: تقديم تجربة إعلانية أكثر ملاءمة لكل مستخدم بناءً على اهتماماته الحقيقية.
• الاسترجاع: جلب الكيانات الإعلانية الأكثر صلة بسرعة وكفاءة.
• الإشراف: توفير إشارات تعليمية أغنى لتدريب النماذج الأخرى.
• بنى الترتيب المتخصصة: دعم نماذج ترتيب متقدمة عبر مجموعة أدوات الإعلانات.

التدريب على نطاق واسع

يُدرَّب النظام بشكل شامل من طرف إلى طرف على بيانات إعلانات Meta الحقيقية، وعلى نطاق يصل إلى مليارات التفاعلات. هذا الحجم الهائل من البيانات هو ما يمنح التمثيلات الناتجة قوتها وقدرتها على التعميم، إذ يتعلم النموذج من تنوع واسع من السلوكيات والاهتمامات والكيانات الإعلانية.

دور النظام في تحسين القمع العميق

صُمم التمثيل الهرمي للاهتمامات ليكون طبقة تمثيل عليا تهدف إلى تحسين عملية ترتيب إعلانات القمع العميق في Meta. الغاية الأساسية هي ربط الأعمال التجارية بشريحة الأشخاص الذين يحملون أعمق اهتمام كامن وحقيقي بما تقدمه تلك الأعمال، بدلاً من الاعتماد على إشارات سطحية فقط.

من المخطط أن يعمل هذا النظام ضمن منظومة التوصية الأوسع في Meta، بحيث يتكامل مع نماذج متقدمة مثل نموذج الإعلانات التوليدي GEM ونظام Andromeda ونموذج الترتيب التكيفي Adaptive Ranking Model. هذا التكامل يهدف إلى دفع تحسين القمع العميق خطوة إلى الأمام وتعزيز جودة التوصيات الإعلانية عبر المنصات.

لماذا يُعد هذا الاتجاه مهماً؟

تكمن أهمية هذا النهج في أنه يعالج مشكلات جوهرية في أنظمة الإعلانات الحديثة، مثل تناثر البيانات وصعوبة التعامل مع الكيانات الجديدة أو النادرة. من خلال بناء طبقة تمثيل موحدة تجمع بين الفهم الدلالي للمحتوى وإشارات التفاعل الفعلي، يمكن للنظام أن يقدّم فهماً أعمق لاهتمامات المستخدمين وأن يربطها بذكاء مع عروض المعلنين.

هذا التوجه يعكس اتجاهاً أوسع في مجال التعلم الآلي نحو التمثيلات الموحدة والقابلة لإعادة الاستخدام، حيث تصبح طبقة التمثيل الواحدة أساساً تُبنى عليه العديد من التطبيقات المتخصصة، بدلاً من تطوير نماذج منفصلة لكل مهمة على حدة.

خلاصة

يمثل التمثيل الهرمي للاهتمامات خطوة طموحة في مسار تطوير أنظمة الإعلانات لدى Meta، إذ يجمع بين تعلّم الرسوم البيانية القائم على Transformer، والانتباه المراعي للتحيز، والتقطير ذاتي الإشراف، ومعالجة المحتوى متعدد الوسائط عبر نماذج اللغة الكبيرة. النتيجة هي طبقة تمثيل غنية قادرة على تشغيل قدرات جديدة في التخصيص والاسترجاع والترتيب، مع هدف واضح يتمثل في ربط الأعمال بالجمهور الأكثر اهتماماً حقيقياً بما تقدمه.

المصدر: Exploring Hierarchical Interest Representation For Meta Ads Deep Funnel Optimization