Meta、広告最適化向け階層的インタレスト表現モデルを公開──数十億規模のグラフで深層ファネルを強化
LLMによるマルチモーダル知識とグラフ学習を統合し、疎なエンゲージメント信号からユーザーの潜在的興味を抽出する新たな表現レイヤー。
リリース: 2026-07-15 · 読了 5 分記事の要約
1. 核心（What）
- Metaが広告配信の深層ファネル（コンバージョン等の最終成果）最適化に向けた階層的インタレスト表現（Hierarchical Interest Representation）を公開。
- 数十億規模のユーザー・広告エンティティ間のグラフ構造を学習し、疎な相互作用を密な潜在興味プリミティブへ変換。
- LLMを活用して広告コンテンツをマルチモーダル（テキスト・画像・動画）にエンリッチメントし、未見のエンティティに対しても一般化を実現。
- Transformerベースのグラフ学習アーキテクチャを採用し、バイアス考慮型アテンションと自己教師ありクロスビュー蒸留を導入。
2. 影響（Why）
- 深層ファネルの信号不足を補完: 広告クリックなどの浅い信号と異なり、購入等の深い行動はデータが極めて疎である。本手法はグラフの長距離関係から安定した興味アンカーを抽出するため、データ不足を補い、CVR予測等の精度を底上げする。
- 国内SaaS・広告運用への示唆: 国内のVertical SaaSやEC系プラットフォームにおいて、ユーザーの行動履歴が少ない新規ユーザーへのターゲティング精度向上に直結する。独自グラフモデルを構築する際、マルチモーダル知識を埋め込みに統合する設計は今後の標準となる。
3. 根拠・詳細（How）
- 階層的グラフ投影と次元圧縮: 生のグラフを、学習された潜在興味プリミティブで構成されるスーパーグラフへ投影。これにより、動的な広告ビジネス環境下でも、興味の語彙セットを安定化させる。
- Transformerベースの疎アテンション: 大規模グラフの計算コストを抑制するため、疎アテンション（Sparse Attention）カーネルを実装し、長距離のノード間関係を効率的に符号化。
4. 展望・課題（Next）
- 既存エコシステムへの統合: Metaの生成AI広告モデル（GEM）やAndromeda、Adaptive Ranking Modelといった既存の推薦スタック全体への順次適用を計画。