一个用户每天在 Facebook 和 Instagram 上滑动几百次。每一次点击、每一次停留、每一次划过，都是系统理解他兴趣的信号。但当这个用户进入深度漏斗，比如他正在考虑买一台 5000 元以上的咖啡机，那些稀疏的、高维的、充满噪声的交互信号，往往不足以让推荐系统准确判断他的真实意图。
这是整个数字广告行业最棘手的难题之一。而 Meta 刚刚给出了一套新的解题思路。
2026 年 7 月 15 日，Meta 工程团队正式发布 Hierarchical Interest Representation（分层兴趣表示，简称 HIR），一套位于广告系统上游的表示层架构。它是 Meta 在 GEM（生成式广告推荐模型）、Andromeda（个性化广告检索引擎）和 Adaptive Ranking Model（自适应排序模型）之后，对广告系统底层能力的最新补全。
如果说 GEM 是大脑，Andromeda 是检索手，Adaptive Ranking Model 是实时调度员，那么 HIR 的角色更像是一张语义地图。它把广告生态中所有实体的关系，抽象成一个分层的、可导航的嵌入空间，让系统在稀疏信号下也能找到用户兴趣与广告供给之间的最短路径。
深度漏斗，为什么难
Meta 的广告网络每个月服务数百万条广告、数百万广告主、数十亿用户。但这个词汇量越大，深度漏斗的信号稀疏问题就越突出。
用户进入深度漏斗阶段，比如搜索高端咖啡机或在某个电商广告页面停留，这部分行为信号天然稀疏。一个用户可能一年只有两三次这类行为。而广告主在深度漏斗中投放的广告，恰恰需要系统在极少的信号中准确判断用户意图。
Meta 在官方博文中总结了三大技术挑战。
用户推断信号的动态性。 用户在平台上表达兴趣的方式是多元的，点赞、分享、点击感兴趣或不感兴趣反馈、停留时长……但这些信号的质量参差不齐，且用户兴趣本身在持续变化。
大规模网络的稀疏连接。 每月数百万条广告与数十亿用户之间，形成的交互图是行业最大的图网络之一。但深度漏斗中的用户反馈信号极度稀疏，大多数用户与广告对之间根本没有交互记录。
长程全局关系难以捕捉。 在稀疏连接的网络中，要想从远距离的、间接相关的节点中提取有效模式，需要模型具备极强的长程关系建模能力。而传统的图学习方法在 Meta 规模的数据集上，计算成本极高。
这些问题叠加在一起，形成了一个死循环：信号越稀疏，匹配越不准；匹配越不准，广告效果越差；广告越差，用户越不感兴趣；信号于是更稀疏。
HIR 的四重设计：从稀疏到稠密
HIR 的核心思路并不复杂：既然原始交互图是稀疏的，那就把它投影到一个更稠密的空间中去。
基于图数据结构，HIR 的端到端系统由四个设计属性驱动。
降维：从稀疏图到超图
HIR 将原始图投影到一个可配置的超图（super-graph）上，每个超节点代表一个在潜在空间中学习到的兴趣基元（latent interest primitive）。用户与广告之间原本稀疏的边，在兴趣基元层面变得有意义地稠密。更重要的是，兴趣基元的词汇表比原始广告实体更稳定、更静态。即便广告主每天在换产品、调价格，用户的兴趣基元迁移是相对缓慢的。
知识增强：让系统理解“这是什么”
传统广告推荐系统只能从用户和广告如何互动中学习。但 HIR 引入了多模态内容特征，包括文本、图片、视频，从结构化页面元数据和广告主商品目录中提取，再通过视觉或语言模型处理。这意味着，即使系统从未见过某个新产品，它也能通过理解这个产品是什么来推断它可能吸引哪类用户。
统一关系表示：同一空间中的所有实体
HIR 在同一个度量空间中学习用户、广告主、产品、兴趣基元的统一表示。通过嵌入运算，它可以推断实体之间的亲疏关系，计算用户与兴趣基元的距离，判断广告与兴趣基元的匹配度，甚至找到最相似的用户、广告和产品。
多层分级粒度：粗与细的平衡
深度漏斗信息天然稀疏，投影到兴趣基元时存在一个权衡。稠密且稳定的关系意味着更粗粒度的抽象，稀疏且特定的连接则需要更细粒度的表达。HIR 学习级联多个层级层次的超图，在粗与细之间灵活切换，适配不同的排序架构、个性化需求和检索应用。
自研 Transformer 图学习 + 偏差感知注意力
在技术实现层面，HIR 的核心是 Meta 自研的 Transformer 图学习架构，配合偏差感知注意力机制。
传统的图神经网络（GNN）在处理长程依赖时容易陷入过平滑问题，节点在多层传播后变得难以区分。而 HIR 的 Transformer 架构通过全局注意力机制，能够在一次前向传播中捕捉任意两个节点之间的关系，天然适合处理长程全局关系建模。
但 Transformer 的注意力机制在大规模图网络上有一个致命问题：计算复杂度是 O(n²)。Meta 的解决方案是偏差感知注意力，在注意力计算中引入结构性偏差，让模型知道哪些节点关系更重要、哪些可以忽略，从而大幅降低计算开销。
这套方案结合了图神经网络的结构先验和 Transformer 的全局建模能力，在 Meta 的广告网络规模上实现了可落地的性能。
BoM 标记与自监督跨视图对齐
HIR 的另一个关键技术是 BoM（Bag of Multimodal）标记。每个兴趣基元被编码为一组 BoM 标记，这些标记通过知识增强范式融合了多模态世界知识。BoM 标记代表了兴趣基元的结构化表示，使得系统能够在推理时快速检索与用户匹配的兴趣基元。
更重要的是，HIR 通过自监督跨视图对齐（self-supervised cross-view alignment）来训练这些表示。系统从不同视图（用户行为序列、广告内容特征、广告主分类信息）学习同一组兴趣基元，然后通过辅助损失和对比学习目标，强制不同视图学到的嵌入保持一致。这种设计让模型在没有人工标注的情况下，自动发现跨实体的语义关联，并将 BoM 标记与兴趣基元嵌入对齐。
拼图逻辑：Meta 广告系统的递进式进化
HIR 的发布，再次印证了 Meta 广告系统技术路线图的一个核心逻辑：分层递进，各司其职。
回看 Meta 过去两年的广告技术演进：
Andromeda（2024 年 12 月）。 新一代检索引擎，在 NVIDIA Grace Hopper 芯片上实现深度神经网络，召回率提升 6%，广告质量提升 8%。解决的是从海量候选广告中找出相关的那一批。
GEM（2025 年 11 月）。 生成式广告推荐模型，以 LLM 规模训练的基础模型，在 Instagram 上提升 5% 广告转化率，在 Facebook Feed 上提升 3%。解决的是理解用户行为序列中的深层模式。
Adaptive Ranking Model（2026 年 3 月）。 自适应排序模型，用智能请求路由替代一刀切推理，在保持亚秒级延迟的同时将 LLM 规模的模型引入广告排序，带来 3% 转化率提升和 5% 点击率提升。解决的是在计算资源约束下最大化模型效果。
HIR（2026 年 7 月）。 分层兴趣表示，作为上游表示层打通所有广告实体的语义关系。解决的是在信号稀疏条件下找到用户与广告之间的语义最短路径。
每一层解决一个特定问题，层层叠加。HIR 不是替代 GEM 或 Andromeda，而是为它们提供更高质量的输入表示。通过 BoM 标记增强基于参与度的个性化表征，通过倒排索引实现快速紧凑的检索召回，通过超兴趣类别的专家混合（Mixture of Experts）生成分布学习，让整个系统在动态中持续进化。
这意味什么
对广告主而言，HIR 的落地意味着深度漏斗广告的 ROI 有望获得结构性改善。当系统能够从稀疏信号中准确推断用户意图，广告主不再需要依赖大量第一方数据来训练模型匹配。Meta 的语义地图会主动找到那些对产品有潜在兴趣但尚未表达的用户。
对行业而言，HIR 释放了一个清晰的技术信号：推荐系统的竞争正从模型规模转向表示质量。GEM 证明了大模型在广告推荐中的可行性，但规模扩张的边际收益正在递减。HIR 代表的是另一条路，不是把模型做得更大，而是把输入做得更聪明，把表示做得更结构。
当你的数据稀疏到连大模型也无能为力时，怎么把少变成够？Meta 的答案是：先画一张图，把每个实体放在正确的位置上。然后，路径自然浮现。
规模战之后，是结构战。
快报