【论文】意图分析 NEON: Living Needs Prediction System in Meituan

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：

1. 需求天然受到时空的影响

2. 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：

3. feature mining： 包括时空特征for individual-level users； behavioral-pattern features for
   group-level users；

4. feature fusion(通过神经网络，将时空特征融合起来利用）

5. 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

1. 属性类特征
2. 历史行为序列
3. 历史各项服务百分比 percentage of time of each life service
4. 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

1. 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；
2. Popularity in the current time period：按照时间段分层（holiday、night …)
3. group behavior pattern in spatiotemporal context: 前两项的交叉
4. 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

1. feature merging network: 把embedding后的用户特征、时空特征、group特征concat在一起

2. 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

1. offline

2. 线上 - 首页推荐

3. 线上 - 猜你喜欢推荐

4. 线上 - message pop up 顶通推荐?