主要观点总结
本文总结了美团技术团队被CIKM 2024收录的8篇论文，这些论文涉及自监督学习、解释生成、CTR预测、跨域推荐、向量召回、图像生成、时效预测等多个技术领域。文章简要介绍了每篇论文的主题和内容，并给出了论文的类型和下载地址。此外，文章还提到了美团科研合作的相关内容，包括与高校、科研机构的合作，以及推动产学研交流和成果转化的努力。最后，推荐了相关的阅读资料。
关键观点总结
关键观点1: 美团技术团队在CIKM 2024收录的论文涉及多个技术领域
这些论文包括自监督学习、解释生成、CTR预测、跨域推荐、向量召回、图像生成、时效预测等主题。每篇论文都有详细的主题和内容概述，以及论文的类型和下载地址。
关键观点2: 美团科研合作致力于搭建与高校、科研机构的合作桥梁
通过依托美团丰富的业务场景、数据资源和真实产业问题，开放创新，促进产学研合作交流和成果转化，推动优秀人才培养。
关键观点3: 推荐阅读相关论文解读
包括KDD 2024和ACL 2024上美团技术团队的精选论文解读，以及CIKM 2020上的6篇精选论文，这些论文都是相关领域的重要研究成果。
正文
：
PDF
论文简介
：为用户提供基于自然语言的解释以证明推荐有助于提高用户满意度并赢得用户信任。然而，由于当前的解释生成方法通常被训练以模仿现有用户评论为目标，生成的解释往往与推荐商品的预测评分或是一些重要特征不一致，导致这些解释不能真正地帮助用户在推荐平台上做出明智的决策。为了解决这个问题，本文提出了名为MMI（
最大化互信息
）的优化框架，以增强生成的自然语言解释与推荐商品的预测评分/重要特征之间的一致性。
具体来说，本文使用互信息（
Mutual Information, 简称MI
）作为解释与预测评分/商品特征一致性的衡量标准，并训练一个基于MINE方法的互信息估计神经网络，将此神经网络作为后续的MI估计器。然后，我们将一个训练好的解释生成模型视为主干模型，基于来自MI估计器的奖励对其进行基于强化学习的微调。微调过程会指导原先的主干生成模型学习会生成与商品的预测评分及重要特征更一致的解释。在三个公开数据集上的实验表明，MMI框架可以提升不同的主模型，使它们在与推荐商品的预测评分和重要特征的一致性方面优于现有的模型。此外，本文通过用户实验验证了MI增强的解释确实有助于用户的决策，并且由于它们更好的一致性特点，与其他方法生成解释相比更能让用户满意。
03
Enhancing CTR prediction through Sequential Recommendation Pre-training: Introducing the SRP4CTR framework
论文类型
：Short Paper
论文下载
：
PDF
论文简介
：理解用户兴趣对于点击率（
CTR
）预测任务至关重要。在序列推荐中，通过自监督学习从用户历史行为中进行预训练可以更好地理解用户动态偏好，展现出与CTR任务直接集成的潜力。以往的方法将预训练模型集成到下游任务中，仅用于提取语义信息或单独的用户兴趣编码，然后将这些信息作为特征加入下游模型。然而，这些方法忽略讨论了下游任务中的额外推理成本，且没有考虑如何将预训练模型中的信息高效的转移到CTR任务预测的特定估计项中。
为了解决这一问题，本文提出了增强CTR预测的序列推荐预训练框架（
SRP4CTR
）。首先，我们系统的讨论了引入预训练模型对推理成本的影响。随后，我们引入了一种新的预训练方法来尽可能保证编码时信息的完整性。在微调过程中，本文还引入了一个交叉注意力模块，以较低的成本建立了估计项与预训练模型之间的桥梁。此外，本文采用了一种新的自查询技术，以促进从预训练模型到工业CTR模型间的知识转移。离线和在线实验表明，本文的方法优于以前的基线模型。
04
EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation
论文类型
：Applied Research Paper
论文简介
：跨域推荐是指利用其他领域的知识增强推荐系统对用户兴趣的预测精度，在工业应用中受到了广泛关注。现有的隐式建模跨域推荐方法并未考虑不同域之间服务功能和商品展现形式的差异，导致在落地过程中产生严重的负迁移问题。例如，用户在金刚和搜索中大量表达对医药、闪购等紧急需求的兴趣，直接将这些信号用于推荐系统并大量推送医药和闪购产品显然不合适。
