KDD 2024 | 美团技术团队精选论文解读
内容提要
ACM SIGKDD是知识发现和数据挖掘领域的顶级国际会议。由SIGKDD组织的KDD Cup竞赛是数据挖掘领域中具有很大影响力的事件。本文选择和解读了美团技术团队在KDD 2024中发表的5篇长文，涵盖了用户意图感知、机器学习和优化、在线控制实验、联合广告模型和实时调度决策等各个技术领域。这些论文是美团与大学和研究机构合作的成果。此外，美团的BlackPearl团队参加了KDD Cup-OAG Bench竞赛，并在三个赛道中获得第一名。
延伸解读
从KDD 2024看美团技术布局
美团在KDD 2024发表的5篇长文覆盖用户意图感知、机器学习与优化、在线控制实验、联合广告模型和实时调度决策，体现了其技术研究紧密围绕搜索推荐、广告、实验平台和即时配送等核心业务。这些论文均与高校及科研机构合作完成，反映出产学研协同是美团技术创新的重要路径。
搜索推荐联合建模的落地价值
UDITSR模型利用搜索场景中显式的查询词来监督推荐场景中隐式的需求意图，并通过双重意图转换传播机制建模固有意图、需求意图与交互商品的关系。在美团外卖为期一个月的线上实验中，该模型平均提升1.46%的GMV和0.77%的CTR，说明跨场景意图感知对实际业务指标有可量化的正向影响。
在线实验方差缩减的新思路
STATE方法针对业务指标重尾分布导致传统方差缩减方法效果有限的问题，将t分布与机器学习结合，通过变分EM推断鲁棒的ATE估计器，并利用无偏线性变换从计数度量扩展到比率度量。与CUPAC/MLRATE相比，STATE降低约50%的方差，意味着达到相同统计功效只需一半观测值或实验时间。
决策与因果学习在营销中的整合
DFCL将机器学习与运筹优化集成到端到端因果学习框架，以下游优化目标作为损失函数，避免传统两阶段解耦中预测精度与决策质量不一致的问题。该方法还处理了预算不确定性、反事实推断和计算效率等挑战，并已在美团多个营销场景部署，离线实验和在线A/B测试均验证了其有效性。
Q&A
KDD 2024会议的主要内容是什么？
KDD 2024会议主要涵盖数据挖掘领域的研究，特别是美团技术团队发表的5篇论文，涉及用户意图感知、机器学习、在线控制实验等多个技术领域。
美团在KDD Cup中取得了什么成绩？
美团的BlackPearl团队在KDD Cup-OAG Bench竞赛中获得了三个赛道的冠军。
美团的论文中提到的联合拍卖模型有什么创新之处？
美团的论文提出了联合拍卖模型，允许品牌供应商和店铺共同竞标广告位，以满足双方的需求，解决了传统广告模式的不足。
STATE方法在在线控制实验中有什么优势？
STATE方法结合了t分布与机器学习工具，有效降低了ATE估计的方差，显著提高了实验的统计功效。
美团的因果学习方法DFCL是如何优化营销的？
DFCL将机器学习与运筹优化集成在一个框架中，确保模型预测与决策优化方向一致，从而提升营销效果。
美团如何利用配送员轨迹数据优化配送效率？
美团通过构建效率感知网络，利用配送员的实际轨迹数据，快速识别高质量的订单分配方案，从而提升配送效率。
