Scaling Laws for Online Advertisement Retrieval

研究背景

• 请先了解 NLP 中的 Scaling Law.

核心思想

• 作者团队希望验证一下在广告场景下是否也有类似于 NLP 中的 scaling law, 即探究是否随着广告预测模型地增大, 是否能够有规律地提升一些线上指标. (因为关注的是实际的线上指标, 这也衍生出了一些独特的问题, 这里就不讲了).

• 注意到, 实际的推荐系统通常是包含多个阶段, 每个阶段可能还包含不同指标导向的模型, 因此相当复杂. 为了探究 scaling law, 作者团队主要针对 Pre-ranking 阶段探究一个排序模型 (MLPs):
  1. 特征: 同时包括 sparse 和 dense features, 对于 dense features 应用 log1p transformation.
  2. 模型: 5-layer 的 MLPs, 每一层包括一个 batch normalization, linear mapping 和 PReLU. 通过 He initialization 初始化权重.

• 如上图所示, FLOPs 和作者设定的指标 R/R* 随着 MLPs 变大所产生的变化情况, 可以通过 Broken Neural Scaling Law (BNSL) 的公式很好的拟合.

参考文献

1. Wang Y., Yang Z., Zhang Z., Wang Z., Yang J., Wen S., Jiang P., and Gai K. Scaling Laws for Online Advertisement Retrieval. arXiv, 2024. [PDF] [Code]