全域用户建模在美团首页推荐的探索与实践

主要观点总结

本文介绍了美团首页推荐系统在全域建模技术上的发展和演进，通过多阶段探索验证了多源用户交互数据在召回与排序模块的应用，解决了多展位、多业务、时空场景强相关性的特点导致的跨域信号负迁移挑战，大幅提升了首页推荐系统的用户行为理解能力和推荐效果。文章还介绍了全域用户建模的探索与落地过程，包括优化全域行为召回策略、召排模型训练引入全域信号、显式兴趣迁移框架解决负迁移问题以及全域全链路统一建模和感知增强。最后，文章总结了全域用户建模的成功，并展望了未来的发展方向。

关键观点总结

关键观点1: 全域建模技术的发展和演进

美团首页推荐算法团队通过多阶段探索验证了多源用户交互数据在召回与排序模块的应用，解决了跨域信号负迁移挑战，大幅提升了首页推荐系统的用户行为理解能力和推荐效果。

关键观点2: 全域用户建模的探索与落地

通过优化全域行为召回策略、召排模型训练引入全域信号、显式兴趣迁移框架解决负迁移问题以及全域全链路统一建模和感知增强，实现了全域用户建模的落地。

关键观点3: 总结与展望

文章总结了全域用户建模的成功，并展望了未来的发展方向，包括引入外域点击信号、升级显式兴趣迁移范式和探索基于全域行为的生成式推荐范式。

正文

请到「今天看啥」查看全文

表示为：

其中 和 均由模型建模输出， 分别表示兴趣建模网络学习到的用户目标域兴趣和源域兴趣， 表示场景选择门控网络输出的当前场景下的兴趣迁移概率，是源域兴趣是否适合迁移到目标域的量化表示。

2.3.2 兴趣组合标签

我们使用监督学习来建模跨域兴趣迁移过程，监督学习需要显式的标签。 表示的目标域兴趣和源域兴趣的监督信号可直接由用户是否购买商品的目标域标签 和源域标签 给出。我们构建了兴趣组合标签（ Interest Combination Label, ICL ）作为兴趣迁移概率 的监督信号，在模型训练过程中，通过最小化兴趣组合标签对应的损失，

请到「今天看啥」查看全文