百度团队在arXiv上发表论文，介绍了用于提升生成式模型在广告推荐系统中使用效果的COBRA新算法框架。通过将COBRA应用于真实环境中的A/B测试，结果显示转化率提升了3.6%，平均每用户收入（ARPU）增加了4.15%。该框架融合了生成式和密集检索技术，结合稀疏ID和稠密向量，提供更全面的目标对象特征，并已应用于百度的广告推荐业务中。COBRA采用了“残差量化变分自编码器（RQ-VAE）”技术，减少信息损失、提高模型的泛化能力，在公开和工业数据集上均优于现有方法。

💡COBRA框架的核心在于融合生成式和密集检索技术。它通过结合稀疏ID和稠密向量，提供更全面的目标对象特征，从而提升推荐效果。稀疏ID提供稳定的类别基础信息，而稠密向量则捕获高级语义和细粒度细节。

⚙️在技术实现上，百度团队采用了“残差量化变分自编码器（RQ-VAE）”技术。该技术综合了残差学习、量化技术和变分自编码器三种方法，旨在减少信息损失，提高模型的泛化能力，并改善重构效果。

📈A/B测试结果显示，COBRA框架在真实环境中应用后，转化率提升了3.6%，平均每用户收入（ARPU）增加了4.15%。这表明该框架在实际应用中具有显著的商业价值。

📊COBRA框架在公开数据集（如Amazon Product Reviews）和工业数据集（如百度工业数据集）上进行了离线和在线评估。结果显示，COBRA均优于目前业内最先进的方法，证明了其技术的优越性。

🚀目前，COBRA框架已经被应用于百度的广告推荐业务中。这标志着该技术已经从理论研究走向实际应用，并为百度的广告推荐业务带来了积极的提升。

快科技4月3日消息，近日，百度团队在arXiv上发表论文，介绍了一种名为COBRA的新算法框架，被应用于提升生成式模型在广告推荐系统中的使用效果。

根据论文介绍，工程师将COBRA框架应用于真实环境中的A/B测试，结果显示转化率提升了3.6%，平均每用户收入（ARPU）增加了4.15%。

目前，该框架已经应用于百度的广告推荐业务中。

COBRA框架融合了生成式和密集检索的技术，通过稀疏ID和稠密向量的结合，提供更全面的目标对象特征。

稀疏ID负责提供稳定的类别基础信息，而稠密向量则确保模型能够捕获高级语义和细粒度细节，这种端到端的训练方法可以更好地捕获用户意图和协同信息。

在技术实现上，百度团队采用了“残差量化变分自编码器（RQ-VAE）”技术，综合了残差学习、量化技术和变分自编码器三种方法。

这一技术可以减少信息损失、提高模型的泛化能力，并通过优化模型参数，改善重构效果。

实测效果表明，COBRA框架在利用公开数据集（如Amazon Product Reviews）和工业数据集（如百度工业数据集）进行离线和在线评估后，均优于目前业内最先进的方法。