亚马逊AWS官方博客
·
多模态大模型应用实践（二）- 基于 ViT 和 Pairwise 的智能酒店首图选择
💡
原文中文，约4300字，阅读约需11分钟。
📝
内容提要
本文介绍了如何利用Amazon SageMaker构建学习排序模型，以智能选择酒店首图。通过对比学习，模型有效排序图片，提升用户体验和转化率。训练数据包括有效首图和非首图，最终实现高准确率和低成本推理，未来将继续优化模型和推荐策略。
🎯
关键要点
- 酒店预订平台中，首图选择对转化率至关重要，人工筛选效率低下。
- 利用Amazon SageMaker构建Learning to Rank模型，实现智能化酒店首图选择。
- 模型通过对比学习，从历史数据中选择得分最高的图片作为首图。
- 模型架构包括文本编码器、图像编码器、投影层和评分机制。
- 训练数据包括有效首图和非首图，建议有效首图大于300张。
- 模型训练使用GPU，支持分布式训练，训练代码基于accelerate开发。
- 模型评估显示，Learning to Rank模型的准确率显著高于传统分类模型。
- 模型部署使用Amazon SageMaker，创建推理端点以进行实时推理。
- 推理成本低，每千张图片的推理成本约为$0.04。
- 未来将继续优化模型，包括数据增强、模型结构优化和个性化推荐。
❓
延伸问答
如何利用Amazon SageMaker构建酒店首图选择模型？
通过构建Learning to Rank模型，利用对比学习从历史数据中选择得分最高的图片作为首图。
酒店首图选择对转化率有什么影响？
首图选择对提高转化率至关重要，能够提升用户体验和浏览效率。
模型训练使用了哪些技术和工具？
模型训练使用了GPU支持的分布式训练，基于accelerate开发的训练代码。
推理成本大约是多少？
每千张图片的推理成本约为$0.04。
模型评估的准确率如何？
Learning to Rank模型的准确率显著高于传统分类模型，达到0.96。
未来对模型的优化方向有哪些？
未来将进行数据增强、模型结构优化、动态更新和个性化推荐等优化。
➡️
