今年，美团技能团队有多篇论文被KDD 2022录入，这些论文涵盖了图谱预练习、挑选算法、目的主动发现、作用建模、战略学习、概率猜测、奖赏结构等多个技能范畴。本文精选了7篇论文做扼要介绍（附下载链接），期望能对从事相关研讨方向的同学有所帮助或启示。
ACM SIGKDD国际会议（简称 KDD）是由ACM的数据发掘及常识发现专委会主办的数据发掘研讨范畴的顶级年会，属于CCF A类会议。因为KDD的交叉学科性和广泛使用性，其影响力也越来越大，招引了来自核算、机器学习、数据库、万维网、生物信息学、多媒体、自然语言处理、人机交互、社会网络核算、高功能核算及大数据发掘等很多范畴的从业者和研讨学者。第28届KDD会议于2022于8月14日至18日在美国华盛顿举行。
论文01：Mask and Reason: Pre-Training Knowledge Graph Transformers for Complex Logical Queries（支持常识推理的图谱预练习）
| 下载地址：KG-Transformer
| 论文作者：刘潇（清华大学）、赵时予（清华大学）、苏凯（清华大学）、岑宇阔（美团）、裘捷中（清华大学）、东昱晓（清华大学）、张梦迪（美团）、武威（美团）、唐杰（清华大学）
| 论文简介：面向杂乱逻辑查询的常识图谱预练习。论文研讨了常识图谱中杂乱逻辑查询问题，谈论了主流的根据常识图谱嵌入的推理器的固有缺陷，并提出了根据KGTransformer的新型图神经网络推理器，及其对应的预练习与微调办法。KGTransformer在两个首要的常识图谱推理数据集上取得了最优的成果，尤其是在域外使命上取得了杰出的泛化功能，证明了这一思路使用于常识图谱推理的广泛远景。
论文02：AutoFAS: Automatic Feature and Architecture Selection for Pre-Ranking System（粗排场景主动特征与结构挑选算法）
| 下载地址：AutoFAS | 论文作者：李想（美团）、周晓江（美团）、肖垚（美团）、黄培浩（美团）、陈达遥（美团）、陈胜（美团）、仙云森（美团）
| 论文简介：工业等级的搜索引荐体系首要遵循召回、粗排、精排、重排的算法体系。为了满意粗排巨大的打分规划和严格的时延要求，双塔模型仍然被广泛运用。为了进步模型的作用，一些计划会额定运用精排的打分常识进行蒸馏。但仍有两大应战亟待处理：
- 假如不把时延真正作为一个变量放到模型中进行联合优化，作用必然大打折扣；
- 假如把精排的打分常识蒸馏给一个手工规划的粗排结构，模型的表现也肯定不是最优。
本文运用了神经网络结构搜索 (Neural Architecture Search) 的办法，创始性地提出了AutoFAS (Automatic Feature and Architecture Selection for Pre-Ranking System) 的算法结构，一致处理了以上两个问题：在给守时延限制和精排打分常识辅导的条件下，一起选出最优的粗排特征与结构组合计划，达到了SOTA的作用。本计划已经在美团主搜场景下全量运用，取得了显着的线进步步。
论文03：Automatically Discovering User Consumption Intents in Meituan（用户消费目的主动发现）
| 下载地址：Automatically Discovering User Consumption Intents
| 论文作者：李银峰（清华大学）、高宸（清华大学）、杜小毅（美团）、韦华周（美团）、罗恒亮（美团）、金德鹏（清华大学）、李勇（清华大学）
| 论文简介：城市中用户的消费行为往往由特定目的驱动。消费目的作为用户详细消费行为的决议计划驱动力，关于进步城市中用户行为建模的可解释性和精确性至关重要，能够广泛使用于引荐体系和精准化营销等多种事务场景。但是，消费目的难以获取，从用户消费数据和谈论中只能发掘到十分有限的目的类型。因而，从消费数据中主动地发现新的不知道目的是一项至关重要但极具应战性的使命，首要面对以下两点关键性应战：（1）怎么对不同类型偏好下的消费目的进行编码；（2）怎么仅用少数的已知目的完结对不知道目的的发现。 为了应对上述应战，本文提出了根据超图神经网络和半监督学习的目的发现模型AutoIntent（包含解羁绊的目的编码器和目的发现解码器两部分），完结对美团用户消费目的的主动发现。
详细而言，在解羁绊目的编码器中，本文构建了三组对偶超图来分别捕获三种不同类型偏好（时刻相关偏好、地址相关偏好和内在偏好）下的高阶联系，并经过超图上的信息传播机制为用户学习解羁绊的目的表征。在目的发现解码器中，本文根据去噪后的目的表征相似性来构建成对样本的目的伪标签，经过半监督学习的办法完结从已知目的到不知道目的的常识搬迁，完结目的发现。本文在美团大规划的工业数据集上与多种先进基准算法进行比较，试验成果表明，提出的AutoIntent办法相比于已有最佳计划能够取得15%以上的明显功能进步。总的来说，本文为了解并建模城市中的用户消费行为供给了一种新的研讨思路。
论文04：Modeling Persuasion Factor of User Decision for Recommendation（压服要素作用建模）
| 下载地址：Modeling the Effect of Persuasion Factor
| 论文作者：刘畅（清华大学）、苑苑（清华大学）、高宸（清华大学）、白琛（美团）、罗灵锐（美团）、杜小毅（美团）、史鑫磊（美团）、罗恒亮（美团）、金德鹏（清华大学）、李勇（清华大学）
| 论文简介：在实在城市生活中，关于餐饮、出行等实践需求，用户会综合根据品牌、价格等多个方面的要素做出决议计划。现有的引荐体系对这些要素建模往往出现“黑盒”办法，未能回答详细决议计划因子怎么影响用户决议计划行为的科学问题，然后导致引荐功能受限。本文根据实在世界的餐饮消费、出行数据，利用用户交互行为数据与对应不同要素的压服案牍数据，显式建模各类要素对用户决议计划的影响，进步引荐体系精确率与可解释性。
详细而言，首要构建用户-产品交互图，将不同类其他压服案牍作为图中的异质边，利用多层图卷积网络生成用户、产品与案牍的表征；其次，考虑到不同用户对压服案牍的灵敏程度不同，在交互概率猜测过程中个性化地为每个用户的灵敏性进行自适应建模，进步猜测置信度。进一步地，为处理普遍存在的用户交互记载稀疏性的问题，提出根据反现实揣度的数据增强办法，合理生成了大量高质量数据，有用辅助了表征学习的过程，完结精准引荐。本文在美团大规划事务数据集上与多种先进基准算法比较，取得了明显的功能进步；进一步的分析表明，提出的模型能够有用表达用户对不同要素的偏好，一起精确建模了不同用户之间的行为差异。总的来说，本文为研讨城市中用户决议计划行为的可解释机理供给了根底。
论文05：Practical Counterfactual Policy Learning for Top-K Recommendations（用于 Top-K 引荐的反现实战略学习）
| 下载地址：Counterfactual_Top-K/xcf
| 论文作者：刘亚旭（台湾大学&美团实习生）、颜瑞楠（台湾大学）、原博文（台湾大学&美团实习生）、史润东（美团）、燕鹏（美团）、林智仁（台湾大学）
| 论文简介：关于练习机器学习模型，一项关键使命是经过搜集的反馈（例如，评分、点击）来构建练习数据。 但是，从理论和实践经历中能够发现，搜集的反馈中挑选误差会导致练习得到的模型有偏，然后导致练习成果是不是最优战略。 为了处理这个问题，反现实学习受到了很多关注，现有的反现实学习办法能够分为Value Learning 办法和Policy Learning办法。
本文研讨了具有较大决议计划空间的Top-排序模型的Policy Learning 办法，提出了一个实用的学习结构，处理了较大决议计划空间学习中存在的Importance Weight 爆炸、样本较少导致方差较大、练习效率低一级问题。开源数据试验验证了所提出结构的有用性和效率。
论文06：Applying Deep Learning Based Probabilistic Forecasting to Food Preparation Time for On-Demand Delivery Service（深度学习订单出餐时刻概率猜测）
| 下载地址：Applying Deep Learning
| 论文作者：高成良（美团）、张凡（美团）、周越（美团）、冯榕根（美团）、茹强（美团）、边凯归（北京大学）、何仁清（美团）、孙致钊（美团）
| 论文简介：在即时配送体系中，精确预估订单的商家出餐时刻对用户和骑手体会都非常有价值。该问题首要有两个技能应战，即样本标签不完整（部分订单只有出餐时刻的大致规模）和数据不确定性大，惯例的点估量回归办法很难处理。
本工作初次使用概率估量描写订单出餐时刻的不确定性，提出了一种根据深度学习的非参数化办法，并在特征构建和模型规划中充分利用规模标签的数据样本。在概率估量中，本文提出了S-QL丢失函数，并证明了其与S-CRPS的数学联系，根据此对S-CRPS进行分位数离散化以优化模型参数。根据实在的配送数据评估以及线上A/B试验均证明了该办法的优势和有用性，该办法的预估成果已在美团即时配送体系中的多个中心模块中使用。
论文07：A Framework for Multi-stage Bonus Allocation in Meal Delivery Platform（多阶段送餐奖赏结构）
| 下载地址：A Framework for Multi-stage Bonus Allocation
| 论文作者：吴卓林（美团）、黄方胜（美团）、周琳钧（美团）、宋宇（美团）、叶成鹏（美团）、聂鹏宇（美团）、任昊（美团）、郝井华（美团）、何仁清（美团）、孙致钊（美团）
| 论文简介：美团配送旨在为顾客和餐厅供给优质稳定的服务，但每天仍然稀有十万订单因为无人接单而被撤销，订单的撤销对用户体会和美团的声誉造成了极大的损害。为了处理这个问题，美团供给了一笔专项资金来进步尾部订单的用户体会。未被接起的订单将持续地曝光给骑手，因而咱们需求持续地决议计划订单的额定奖赏金额，直到订单被撤销或被接单。因为订单上一时刻的激励计划会明显影响后续阶段订单的存续与撤销概率，因而这一问题是杂乱的多阶段时序决议计划问题。为了更好地进步用户体会，咱们提出了一个新的结构来处理这一问题。这一结构包含三个部分：
- 半参数化的订单完结概率与撤销概率模型；
- 根据拉格朗日对偶的动态规划算法；
- 在线的实时分配算法。
其间半参数化的订单完结（撤销）概率模型用于猜测分配给订单的奖赏金额与订单在这一时刻接起并最终完结（撤销）的概率的联系、拉格朗日对偶动态规划算法首要经过历史订单数据核算每个分配时序的拉格朗日乘子解，在线分配算法运用离线部分取得的成果为每个订单核算出相应的激励计划。咱们在实在配送场景进步行了A/B试验，试验成果表明新算法相较于基线算法的撤销订单量下降了25%，明显进步了用户体会。
写在后面
以上这些论文是美团技能团队与各高校、科研机构通力合作的成果。本文首要介绍了美团在图谱预练习、挑选算法、目的主动发现、作用建模、战略学习、概率猜测、奖赏结构等技能范畴一些科研工作。期望能对大家有所帮助或启示，也欢迎大家跟咱们进行沟通。
阅读美团技能团队更多技能文章合集
前端 | 算法 | 后端 | 数据 | 安全 | 运维 | iOS | Android | 测试
| 在大众号菜单栏对话框回复【2021年货】、【2020年货】、【2019年货】、【2018年货】、【2017年货】等关键词，可检查美团技能团队历年技能文章合集。
| 本文系美团技能团队出品，著作权归属美团。欢迎出于分享和沟通等非商业目的转载或运用本文内容，敬请注明“内容转载自美团技能团队”。本文未经许可，不得进行商业性转载或者运用。任何商用行为，请发送邮件至tech@meituan.com请求授权。
