主要观点总结
本文介绍了美团技术团队在KDD会议上发表的5篇论文，涵盖了数据挖掘领域的多个主题，包括用户意图感知、机器学习与运筹优化等。此外，还提到了美团在KDD Cup比赛中的表现和获奖情况。
关键观点总结
关键观点1: Unified Dual-Intent Translation for Joint Modeling of Search and Recommendation
针对搜索和推荐场景的联合意图感知建模，解决了用户隐式需求意图的建模和双重意图与交互商品之间的关系建模问题，提出了基于双重意图转换的搜索推荐联合模型(UDITSR)，在搜索和推荐任务中均优于现有基线，并在美团外卖平台上进行了线上实验，提升了GMV和CTR指标。
关键观点2: Joint Auction in the Online Advertising Market
提出了一个名为「联合拍卖」的联合广告模型，允许品牌供应商和店铺共同竞标广告位，满足双方需求。提出了一种名为JRegNet的神经网络架构，用于最优联合拍卖设计。
关键观点3: STATE: A Robust ATE Estimator of Heavy-Tailed Metrics for Variance Reduction in Online Controlled Experiments
针对在线控制实验中重尾分布的业务指标，通过结合t分布与机器学习工具，提出了一种鲁棒的ATE估计器STATE，有效降低了ATE估计的方差，并在合成数据集和美团外卖的业务数据上证明了其有效性。
关键观点4: Decision Focused Causal Learning for Direct Counterfactual Marketing Optimization
将营销优化问题表述为预算分配问题，并提出了基于决策的因果学习方法（DFCL），将ML与OR阶段集成到一个端到端的因果学习框架中，实现了针对大规模在线用户营销场景的直接反事实优化。
关键观点5: Harvesting Efficient On-Demand Order Pooling from Skilled Couriers
利用有经验的配送员的实际轨迹数据，构建了效率感知网络，以挖掘嵌入在配送员轨迹中的订单合并潜力，通过优化异构图神经网络在即时配送场景的学习效果，提升了订单分配质量。
免责声明
免责声明：本文内容摘要由平台算法生成，仅为信息导航参考，不代表原文立场或观点。
原文内容版权归原作者所有，如您为原作者并希望删除该摘要或链接，请通过
【版权申诉通道】联系我们处理。
微博登录
