The Pulse
Meta segnala un aumento delle conversioni dello 0,35% grazie ai token di GenRecs
Meta afferma che il suo sistema di tokenizzazione semantica GenRecs ha prodotto un aumento delle conversioni dello 0,35% quando è stato abbinato al Generative Ads Model e all’Adaptive Ranking Model. Secondo l’azienda, i token aiutano i sist
AI.info Team · Scritto con l’IA · verificato ·
Meta afferma che il suo sistema di token semantici per gli annunci ha prodotto un aumento delle conversioni dello 0,35% quando è stato abbinato al Generative Ads Model e all’Adaptive Ranking Model dell’azienda. Il dato proviene da dati interni di Meta rilevati nel febbraio 2026, secondo un articolo tecnico pubblicato il 19 ottobre. L’articolo descrive il risultato come valido su diverse superfici, ma non fornisce un valore di riferimento né chiarisce se la percentuale sia relativa o espressa in punti percentuali.
Il sistema, chiamato GenRecs Tokenization, sostituisce gli identificativi dedicati ai singoli elementi con brevi sequenze di token semantici. Meta afferma che questa rappresentazione condivisa aiuta i modelli di raccomandazione a collegare nuovi annunci e prodotti a elementi che già conoscono, anziché trattare ogni nuovo elemento come un caso isolato.
Come Meta trasforma gli annunci in token condivisi
Il processo di Meta parte da modelli multimodali preaddestrati che analizzano il testo e le immagini di un elemento e li codificano in un embedding. Il tokenizzatore combina questi contenuti con rappresentazioni apprese dal modo in cui le persone interagiscono con l’elemento, poi suddivide il risultato in sottospazi indipendenti e associa quelle parti a voci di dizionari di codici. Il risultato è una breve sequenza di token discreti, alcuni dei quali possono essere condivisi da elementi correlati.
Questa sovrapposizione è pensata per aiutare a gestire i nuovi elementi dell’inventario. L’esempio di Meta è una scarpa da trail appena lanciata, che sfrutta ciò che il modello ha appreso da prodotti precedenti della stessa categoria. «Una “scarpa da trail” appena lanciata eredita ciò che il modello ha già appreso su quella categoria, anziché partire da una nuova rappresentazione priva di segnali», scrivono gli autori. Carl Hu, Justin Johnson, Parish Aggarwal, Kaushik Rangadurai, Senthil Manickavelu e Tianwei Zhang, Engineering at Meta
Gli annunci privi di dati iniziali sono l’obiettivo
Meta indica come caso d’uso più promettente la «coda» del suo inventario pubblicitario: annunci e prodotti che ricevono relativamente poche visualizzazioni e forniscono quindi meno dati sulle interazioni ai modelli di raccomandazione convenzionali. Secondo l’azienda, i token condivisi possono aiutare il sistema a dedurre la pertinenza dai contenuti e dai legami con elementi più conosciuti. Questo potrebbe consentire a una nuova campagna di beneficiare degli schemi appresi da campagne precedenti, comprese quelle dello stesso inserzionista.
Il vocabolario dei token è progettato per la ricerca e il ranking di diversi tipi di elementi, tra cui annunci, prodotti, pagine e pixel. Meta descrive anche un possibile effetto di retroazione: previsioni migliori per gli annunci con poche interazioni producono dati di addestramento più utili, che possono migliorare le previsioni per l’inventario nel suo complesso. L’articolo presenta questo meccanismo come una delle cause dei miglioramenti, ma non riporta una misurazione separata dell’effetto del ciclo di retroazione.
Otto tokenizzatori, un aumento riportato in produzione
Meta afferma di aver valutato otto versioni del tokenizzatore usando misure come la purezza dei cluster, l’equilibrio della distribuzione e l’utilizzo dei dizionari di codici. Riferisce che le versioni con risultati migliori su queste misure avevano anche una maggiore accuratezza nella previsione del tasso di clic. L’azienda descrive il risultato come una forte correlazione: non dimostra che siano state quelle misure, da sole, a causare l’aumento delle conversioni.
Il risultato in produzione è attribuito a GenRecs Tokenization in combinazione con il Generative Ads Model, o GEM, e l’Adaptive Ranking Model di Meta. La distinzione conta: l’articolo non isola la quota dello 0,35% dovuta alla sola tokenizzazione, né fornisce dettagli come la popolazione del test, la sua durata o l’intervallo di incertezza. I lettori dispongono quindi di una misurazione riportata dall’azienda, ma non di informazioni sufficienti per valutarne autonomamente l’affidabilità statistica.
I limiti di erogazione orientano la prossima versione
Meta afferma che sta ampliando la copertura dei token, perfezionando il vocabolario e lavorando a modi per erogare in modo efficiente sistemi di raccomandazione basati su modelli linguistici. I token interamente verbalizzati possono fornire ai modelli informazioni più ricche su un annuncio, ma secondo l’azienda le finestre di contesto che richiedono sono impraticabili per gli annunci alla sua scala. L’approccio dichiarato consiste nel combinare token verbalizzati compattati con ID semantici.
L’azienda descrive anche una possibilità a più lungo termine: un unico vocabolario condiviso per i contenuti pubblicitari in formato testo, immagine, audio e video. Per ora, il risultato concreto è la misurazione interna del febbraio 2026: un aumento delle conversioni dello 0,35% per il sistema combinato. L’articolo di Meta non rende noti il valore di riferimento, la dimensione del campione né l’incertezza statistica del test.