腾讯广告推荐系统面临数据稀疏和冷启动等挑战，为此，腾讯机器学习平台部深入研究automl技术，并发表多篇创新性学术论文。
一、AutoML技术在广告推荐中的意义
AutoML自动化机器学习旨在简化和自动化机器学习模型开发。它通过自动化特征评估、架构搜索、超参数调优等，降低了机器学习门槛，并提高了算法工程师的工作效率。在广告推荐领域，AutoML尤其重要，因为它能高效地利用资源，灵活地适应数据和业务需求变化，从而提升推荐准确性和相关性，并促进跨部门协作。最终，AutoML实现更精准的广告投放和更优质的用户体验。腾讯机器学习平台致力于将AutoML能力赋能广告推荐系统。
二、AutoML研究探索
以下列举了腾讯机器学习平台部在AutoML方面的研究成果：
- BiGNAS (AAAI'25): 行为重要性感知图神经网络架构搜索，用于跨域推荐。该框架通过跨域定制超网络和基于图的行为重要性感知器，自动搜索最优GNN架构，并动态评估源域行为的重要性，有效解决了数据稀疏和冷启动问题。实验表明，BiGNAS在多个数据集上超越了现有最先进方法。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
- One-Shot NAS (WWW'23): 基于一次性神经架构搜索的自动特征选择方法。该方法通过构建候选特征集合并利用One-Shot NAS技术，快速评估不同特征组合的性能，显著降低了计算开销，并提高了推荐准确性。
- AutoPooling (WSDM'24): 自动化池化搜索方法，用于优化多值特征的处理。AutoPooling通过自动化搜索机制，选择和组合多种池化策略，找到最适合特定任务的池化方法，从而提升模型性能。
- AdaS&S: 一种自动化搜索深度推荐系统中embedding层大小的方法。AdaS&S采用一次性超网络策略，高效地训练多个embedding大小的配置，并通过自适应搜索策略，自动选择最优配置。
- FlexHB: 一种高效灵活的超参数优化框架。FlexHB结合贝叶斯优化和超带宽策略，动态调整资源分配，快速评估不同超参数配置的性能，并支持自定义搜索空间和评估策略。
这些研究成果为提升广告推荐系统的效率和效果提供了强有力的技术支撑。
