A Meta új hirdetésrangsorolási rendszere kiszámíthatóan skálázható

Két külön szakaszra bontották a feldolgozást

A Meta Engineering 2026. augusztus 5-én ismertetett megoldása a felhasználók viselkedési előzményeit és a hirdetésjelölteket eltérő feldolgozási szakaszokban kezeli. Az első, offline felhasználói modell mély transzformermodellekkel dolgozza fel a hosszú felhasználói előzményeket. A rendszer több ezer elemű szekvenciákat is kezelhet, majd a felhasználó szintjén előre kiszámított és gyorsítótárazott beágyazásokat készít.

Ez a modell kizárólag a felhasználói jellemzőkre koncentrál, és elválasztja ezeket a hirdetés- és kontextusjellemzőktől. Így az elkészült felhasználói reprezentáció nem kötődik egyetlen hirdetésjelölthöz sem.

A második, online rangsoroló modell az előre kiszámított reprezentációkat friss felhasználói jelekkel és az aktuális hirdetésjelöltek adataival egészíti ki. Ezt a szakaszt sebességre és szigorú késleltetési korlátokra optimalizálták, hogy valós időben állítsa elő a hirdetések sorrendjét.

A modell közvetlenül tanulja meg a jellemzők kapcsolatait

A Meta a többfázisú felépítés mellett két fontos tanulási megoldást is bemutatott. A sűrű tokenizálás a ritka, azonosítóalapú jellemzőket és a felhasználói viselkedési adatokat egyetlen sűrű szókészletbe rendezi. A cél, hogy a modell az adatokból önállóan fedezze fel a jellemzők közötti kapcsolatokat, a kézzel megtervezett kereszthatásokra való támaszkodás helyett.

A célfüggő többfejes figyelem a felhasználó korábbi viselkedését az éppen vizsgált hirdetéshez viszonyítja. A tokenizált ritka jellemzők, a hirdetés adatai és a viselkedési szekvenciák együtt kerülnek feldolgozásra. Több, egymáshoz igazított figyelmi blokk révén a rendszer fokozatosan tömöríti a hosszú előzményeket, miközben magasabb szintű kapcsolatokat keres a hirdetés és a korábbi felhasználói műveletek között.

A megközelítés a Meta szerint azokat a korábbi kompromisszumokat is kezeli, amelyek a különálló szekvencia- és rangsorolási modellekből adódhatnak. Ilyen probléma lehet az információ részleges átadása a komponensek között, a kézi jellemzőtervezés, illetve az, hogy a két modell egymás teljesítményét korlátozhatja.

A vállalat LLM-szerű skálázódást mért

Valós hirdetési forgalmon a többfázisú szekvenciamodell teljesítménye a Meta szerint log-lineárisan javul a számítási kapacitás növelésével. A vállalat ezt a nagy nyelvi modelleknél megfigyelt skálázódási törvényekhez hasonlítja. A vizsgálat a számítási igényt, vagyis a lebegőpontos műveletek számát, a modell teljesítményével vetette össze több dimenzióban: a rétegek mélységével, a tartalmi és szemantikai gazdagítással, a modell szélességével és a szekvencia hosszával.

A Meta négy fő skálázási lehetőséget emel ki. A modell mélységének, szélességének és a szekvencia hosszának kiegyensúlyozott növelése jobb eredményt adhat, mint egyetlen tengely önálló bővítése. A kétfázisú felépítés lehetővé teszi az offline és az online modell külön hangolását. A hosszabb szekvenciák mellett a változatos művelettípusok, például a megtekintések, kattintások és konverziók keveréke is jobb reprezentációkat eredményezett, mint egyetlen művelettípus ismétlése.

A szemantikai jellemzők a hagyományos, együttműködésen alapuló szűrési jeleket egészítik ki. Különösen az új hirdetéseknél és a kevés korábbi aktivitással rendelkező hirdetőknél lehetnek hasznosak, ahol korlátozott mennyiségű előzmény áll rendelkezésre.

A rendszer már a Meta hirdetésajánlásaiban is szerepet kap

A Meta közlése szerint a bemutatott fejlesztések és a kapcsolódó modellinnovációk együtt 6 százalékos kumulatív konverziónövekedéshez járultak hozzá az Instagramon, 3 százalékos konverziónövekedéshez a Facebookon, valamint 3,5 százalékos növekedést eredményeztek a Facebook hirdetéskattintásaiban.

A közös szekvenciamodellezési platform a Meta Generative Ads Recommendation Model, vagyis a GEM egyik alapvető komponense. A rendszer célja, hogy a felhasználói viselkedés átfogóbb megértését felhasználva javítsa a hirdetésajánlást és növelje a hirdetők kampányainak eredményét. A többfázisú felépítés közben lehetővé teszi a háttérben futó felhasználói modell bővítését anélkül, hogy ugyanilyen arányban növekednének az online rangsorolás kiszolgálási költségei.