SIGIR 2024 | 美团技术团队精选论文解读
内容提要
美团技术团队在SIGIR 2024会议上发表了三篇论文，探讨深度学习在广告拍卖、纵向联邦推荐和兴趣点推荐中的应用。第一篇论文提出了整合广告拍卖与混排机制以提升广告收入；第二篇定义了全用户纵向联邦推荐范式，解决跨域特征缺失问题；第三篇介绍了解耦对比超图学习框架，优化用户兴趣点推荐。这些研究旨在推动相关领域的技术进步与合作。
延伸解读
SIGIR 2024的录用难度与论文价值
SIGIR是CCF推荐的A类国际会议，也是信息检索领域最权威的会议。根据官方统计，本次会议共收到1148篇长文投稿，其中791篇有效，最终录用159篇，录用率仅为20.1%。美团技术团队有三篇论文被录用，且包含独立产出及与高校、科研机构的合作成果，这在一定程度上反映了其研究质量与产学研合作能力。
广告拍卖与混排整合的技术突破
传统电商平台将广告拍卖和混排分为两个独立阶段，导致拍卖未考虑外部性（如展示位置对点击率的影响），混排则可能破坏激励兼容性。美团提出的深度自动机制将两者整合，通过页面级别模型建模全局外部性，并基于深度神经网络实现自动拍卖，同时决定广告的排名、计费和展示位置。离线实验和在线A/B测试表明，该机制在广告收入和GMV上均优于最先进的基线。
纵向联邦推荐的全用户范式与ReFer框架
传统纵向联邦学习通常只利用交叉用户数据，忽略了大量非交叉用户，导致模型只能对有限用户预测，商业性价比低。美团与清华等合作，扩展定义了全用户纵向联邦推荐范式，并首次提出基于检索增强的框架ReFer。该框架通过二阶段分布式检索和分布式注意力融合，解决跨域特征缺失问题，缓解跨用户群兴趣偏差。在公共数据集和美团业务数据集上，ReFer均能提升全体用户的推荐性能。
解耦对比超图学习优化POI推荐
下一个兴趣点推荐中，用户偏好受多方面决策因子影响，且因子间存在协同关联，但现有方法常忽视这两点。美团与中科院合作提出解耦对比超图学习框架DCHL，通过多视图解耦超图学习从协同、转移和地理视图建模用户-POI交互，并设计自适应融合与跨视图对比学习来捕捉协同关联。在三个真实数据集上的实验验证了其优于多类先进基线。
Q&A
美团技术团队在SIGIR 2024会议上发表了哪些论文？
美团技术团队在SIGIR 2024会议上发表了三篇论文，分别探讨了广告拍卖、纵向联邦推荐和兴趣点推荐的深度学习应用。
第一篇论文的主要贡献是什么？
第一篇论文提出了整合广告拍卖与混排机制，以提升广告收入，并确保在考虑外部性的情况下实现激励兼容性和个体理性。
第二篇论文如何解决跨域特征缺失问题？
第二篇论文定义了全用户纵向联邦推荐范式，并提出基于检索增强的纵向联邦推荐框架ReFer，显著提高了推荐性能。
解耦对比超图学习框架的应用是什么？
解耦对比超图学习框架应用于下一个兴趣点推荐任务，解决了用户偏好建模和决策因子协同关联的问题。
这些研究对技术进步有什么影响？
这些研究旨在推动相关领域的技术进步与合作，促进产学研交流与成果转化。
SIGIR会议的背景是什么？
SIGIR是ACM国际信息检索大会，是人工智能领域最权威的国际会议之一，具有较高的录用率和影响力。
