https://arxiv.org/pdf/2307.16644.pdf
Introduction
用户的意图识别包括在美团APP上吃、住、娱乐等需求的识别,对下游的个性化推荐有着关键的作用。两个挑战点:
-
需求天然受到时空的影响
-
用户的需求和他在平台上历史的需求之间有差别
我们提出了NEON( needs prediction), 包括三个部分: -
feature mining: 包括时空特征for individual-level users; behavioral-pattern features for
group-level users; -
feature fusion(通过神经网络,将时空特征融合起来利用)
-
multi-task prediction;最终的效果是首页推荐的ctcvr提升1.8%
problem statement
美团定义了10个用户需求, 集合用N表示;
模型的输入与输出:
预测需求的概率 以及 到店还是到家;
Feature Mining
两个例子解释上面的挑战:
ex1. on a rainy midday, a person at work probably has the need to order food delivery; but on a sunny noon, he/she may have another need of going out to eat in the restaurant.
ex2. a person who never buys medicine on the platform may have a cold and need to buy medicine online one day.
用户特征
- 属性类特征
- 历史行为序列
- 历史各项服务百分比 percentage of time of each life service
- 历史六个月最常点的50个poi、50个aoi
时空上下文特征
hour, day, holiday, city, 实时aoi,poi,是否在常驻城市…
组行为模式特征
- Group aggregated behavior:按照用户的浏览、点击、购买行为将用户分层,获取每一类用户的特征;
- Popularity in the current time period:按照时间段分层(holiday、night …)
- group behavior pattern in spatiotemporal context: 前两项的交叉
- 不同类别lift service之间的共现行(a user who frequently purchases hairdressing services may also be inclined to purchase beauty service)
Feature Fusion Layer
-
feature merging network: 把embedding后的用户特征、时空特征、group特征concat在一起
-
为了表征不收时空影响的用户偏好特征,直接将embedding前的用户特征放入user preference network
最终将两个network的输出concat
Multi-task prediction
我们把10个需求分为到店和到家两类,同时预测需求方式(Way)和具体的需求(Need) ; 这样可以加强模型的学习能力 (我理解到店和到家可以更容易学习出来)
然后是通用的多任务学习的建模方式;
评估
benchmark模型结构有尝试dnn, din, dcn, esmm, mmoe等
- offline
2. 线上 - 首页推荐
- 线上 - 猜你喜欢推荐
- 线上 - message pop up 顶通推荐?