近年来，大数据加大模型成为了AI领域建模的标准范式。在广告场景，大模型由于使用了更多的模型参数，利用更多的训练数据，模型具备了更强的记忆能力和泛化能力，为广告效果向上提升打开了更大的空间。但是大模型在训练过程中所需要的资源也是成倍的增长，存储以及计算上的压力对机器学习平台都是巨大的挑战。腾讯太极机器学习平台持续探索降本增效方案，在广告离线训练场景利用混合部署资源大大降低了资源成本，每天为腾讯广告提供 50W 核心廉价混合部署资源，帮助腾讯广告离线模型训练资源成本降低 30%，同时通过一系列优化手段使得混部资源稳定性和正常资源持平。1、引言近年来，随着大模型在NLP领域横扫各种大数据磅单取得巨大

今天给大家分享京东的一篇CTR预估的论文，用于建模页面上下文（用户感知到的其他展示的item）对于目标item是否点击的影响。但是在精排阶段，往往采用point-wise预估的方式，准确的上下文信息是难以获取的，因此往往需要一个模拟的过程。接下来，我们一起看下本文提出的方法是怎么实现的吧。1、背景在搜索广告场景，所有的候选item往往都与用户的搜索关键词相关，而在用户的决策过程中，对于某个目标的item，用户往往会将其与其他的感知到的item进行比较。如果一个item相较于其他的item有突出的亮点，如更经济实惠，那么往往更能吸引用户的注意力，从而点击率更高。相比之下，如果一个item没有太多

今天给大家分享京东的一篇CTR预估的论文，用于建模页面上下文（用户感知到的其他展示的item）对于目标item是否点击的影响。但是在精排阶段，往往采用point-wise预估的方式，准确的上下文信息是难以获取的，因此往往需要一个模拟的过程。接下来，我们一起看下本文提出的方法是怎么实现的吧。1、背景在搜索广告场景，所有的候选item往往都与用户的搜索关键词相关，而在用户的决策过程中，对于某个目标的item，用户往往会将其与其他的感知到的item进行比较。如果一个item相较于其他的item有突出的亮点，如更经济实惠，那么往往更能吸引用户的注意力，从而点击率更高。相比之下，如果一个item没有太多