Beijing, China – En un avance notable dentro del campo del aprendizaje multi-tarea y multi-escenario, investigadores de la Universidad de Beihang y la compañía tecnológica Meituan han revelado un sistema revolucionario llamado HiNet. Este método emergente está diseñado para potenciar los sistemas de recomendación en plataformas industriales, abordando de manera efectiva problemas inherentes en enfoques anteriores basados en la arquitectura Mixture of Experts (MoE).

La innovación principal de HiNet se halla en su enfoque de extracción de información jerárquica, permitiendo un refinamiento progresivo del conocimiento que se transfiere entre diferentes escenarios. Este método utiliza capas de extracción múltiple para capturar intrincadas dinámicas entre escenarios y tareas, destacándose especialmente en aquellos con un volumen bajo de datos. Así, HiNet es capaz de transferir información valiosa a través de comportamientos de usuarios, mejorando las tasas de clics (CTR) y de conversión (CTCVR).

Los expertos han implementado con éxito esta red en la aplicación Meituan Meishi, donde los usuarios interactúan dentro de múltiples escenarios, desde páginas principales hasta banners. En experimentos llevados a cabo utilizando datos reales obtenidos de esta plataforma, HiNet mostró un rendimiento superior al de soluciones tradicionales, logrando incrementos del 2.87% en cantidades de pedidos en un escenario y 1.75% en otro.

Una característica destacada de HiNet es su módulo de red atenta consciente de escenarios, diseñado para modelar de manera explícita las correlaciones entre diferentes escenarios, ajustando su enfoque para cada contexto específico. Además, la capa de extracción de tareas utiliza una red de control de compuerta personalizada que mitiga la interferencia de parámetros entre conocimientos compartidos y específicos de tareas, facilitando una mejora robusta en el rendimiento del modelo.

En conclusión, HiNet no solo redefine el aprendizaje multi-tarea y multi-escenario sino que también establece un nuevo estándar en la optimización de sistemas de recomendación, demostrando que la innovación en la representación y transferencia de conocimientos es clave para enfrentar el desafío de la sobrecarga de información en plataformas industriales.