美团交易视频推荐探索与实践
如果无法正常显示，请先停止浏览器的去广告插件。
1. 美团交易视频推荐探索与实践
美团平台-正宇
美团XX事业部
2. 目录
01 美团交易视频业务现状与挑战
02 美团交易视频优化实践
03 美团交易视频推荐总结与展望
3. 目录
01 美团交易视频业务现状与挑战
02 美团交易视频优化实践
03 美团交易视频推荐总结与展望
4. 美团交易视频推荐-场景&使命
猜你喜欢首页
场景发展历程
Ø 2022年之前：图文推荐
Ø 2023年初-202308：初步完成视频化
Ø 202309-今：更深入的算法优化
视频沉浸页
5. 美团交易视频推荐-行业对比
LBS推荐、电商推荐、短视频推荐、交易视频推荐的差异
场景 LBS推荐 电商推荐 短视频推荐 交易视频推荐
主目标 订单/iPay 订单 DAU/时长 DAU/意向/时长
位置约束 高 低 低 高
供给特点 慢/区域 慢/全国 快/全国 快/区域
时间粘性 低 低 高 较低
6. 美团交易视频推荐-困难与挑战
01
02
03
04
用户行为稀疏，兴趣表达不足
美团APP视频场景少，用户视频心智弱，用户主要行为是商品行为
长尾数据稀疏，表征不足
用户行为稀疏导致样本数量少，对长尾item表征能力不足
系统实效性低，实时性不足
前期系统模型均为T+1，对供给变化和行为变化反馈速度慢
沉浸页浏览深度低，用户行为稀疏
用户视频心智弱+交易视频粘性较低，导致沉浸页浏览深度低
7. 目录
01 美团交易视频业务现状与挑战
02 美团交易视频优化实践
03 美团交易视频推荐总结与展望
8. 美团交易视频推荐-优化思路
问题&挑战 解决思路
用户行为稀疏
兴趣表达不足 ①用户商品兴趣迁移
②种子用户扩展
长尾数据稀疏
表征不足 ①对比学习等增强表达
②沉浸页数据迁移
系统实效性低
实时性不足 ①全链路实时化
沉浸页浏览
深度不足
①沉浸页曝光建模
重点项目
①召回商品数据迁移
②用户兴趣建模
③U2U建模 召
回
优
化
①粗排长尾表达增强
②粗排对比学习
③粗排模型实时化 粗
排
优
化
①沉浸页首卡数据迁移
②沉浸页即时兴趣建模
③沉浸页曝光建模及重排 精
沉
排
浸
优
页
化
9. 美团交易视频推荐-召回优化概览
增强对商品
兴趣的利用
①
②
通过种子用
户进行破圈
10. 美团交易视频推荐-双塔U2I召回模型
背景&问题
Ø 用户视频兴趣行为稀疏而商品行为相对稠密，全域行为中视频行为占比少，视频高活用户兴趣容易被商品行为淹没
Ø 传统双塔U2I模型对user信息和item信息交叉不足，建模能力弱
兴趣解耦
Ø对商品和视频兴趣解耦，拆分为商品行为序列和视频行为序列并
进行多头注意力建模
对偶学习
商品视频兴趣解耦
对偶学习
Ø引入对偶向量，缓解交叉不足和表达不足的问题
11. 美团交易视频推荐-基于全域图U2U模型
信息增量：基于全域行为的用户相似关系
通过全域行为构图，缓解视频行为稀疏和视频DAU覆盖不足
基于全域
行为的UU图
通过邻居聚合，增强表达能力
通过U2U召回形成破圈
构图
Ø 基于用户全域行为构建UU图，保证用户覆盖的
同时迁移商品域用户相似度
模型
Ø 学习UU link prediction任务，生成用户表达
用户表达学习
检索
Ø 检索相似种子用户，圈选种子用户视频行为，并
作为召回结果
U2U检索
12. 美团交易视频推荐-首页粗排概览
问题
• 数据稀疏+Selection Bias问题导致
的粗排模型对长尾item的表达不足
• 粗排模型T+1时效性带来的对新供
给和数据分布适应性的不足
User 域
Item 域
13. 美团交易视频推荐-首页粗排-长尾item表达增强（一）
视频&商品id信息解耦
粗排模型item侧对视频的视频域特征和商品域特征
进行独立表达
视频id表征差异化利用
对视频特征和商品特征进行门控融合，通过id频率
信息控制融合比例分配，从而增强对头部item的信
息利用和对长尾item的泛化能力
14. 美团交易视频推荐-首页粗排-长尾item表达增强（二）
目标
方案
Ø 进一步增强item之间的区分度 Ø Item侧引入对比学习辅助loss
Ø 进一步增强item表达之间，特别是热门item和长尾 Ø 通过Dropout和feature mask构造正例，batch 内
负采样构造负例
item之间的空间一致性
Ø 增强对长尾item embedding的学习
Self-supervised Learning for Large-scale Item Recommendations
15. 美团交易视频推荐-全链路实时化
全链路模型实时化
Ø 解决全链路模型的时效性问题
Ø 对全链路粗排&精排模型进行实时化
Ø 做到模型实时更新，样本10分钟级延迟
全链路实时化—粗排
Ø 通过粗排模型实时化，进一步提升整个系统的实时性，
增强对数据分布变化、冷启供给的反馈速度，增强整个
系统的推荐能力
Ø 粗排模型user塔及顶层实时更新
Ø 热门item向量达到分钟更新
Ø 长尾item 10分钟级更新
16. 美团交易视频推荐-沉浸页精排-概览
②即时兴趣建模
增强对用户兴趣的反馈
①首卡信息迁移
缓解数据稀疏
17. 美团交易视频推荐-沉浸页精排-首卡信息迁移
通过迁移首卡样本缓解数据稀疏问题，增强长尾表达能力
Ø 补充训练样本：基于首卡信息补充样本数量
Ø 首卡非首卡域信息迁移：视频内页首卡和非首卡展现形式相同，
且用户的交互形式相同，首卡域的信息可以迁移到非首卡上。
Ø 对长尾的和新的供给覆盖：外页存在冷启动链路，故首卡样本对
长尾和新供给的覆盖更高，通过引入首卡样本，望提高非首卡对
新供给的覆盖。
18. 美团交易视频推荐-沉浸页精排多目标建模-即时兴趣建模
用户即时兴趣
用户在首卡的行为是对用户兴趣和意图最
实时和直接的表达——用户在首卡上的点
击、播放行为表达了用户对特定内容和商
品兴趣的强弱
建模
增加即时兴趣网络预测用户首卡行为
其中间表达可以看做用户即时兴趣和意图
的表达
即时兴趣表达用于非首卡用户兴趣提取
即时意图输出
Deep interest highlight network for click-through rate
prediction in trigger-induced recommendation.
19. 美团交易视频推荐-沉浸页重排-曝光建模
视频沉浸页为用户提供一个交易视频的沉浸场
业务: 提升用户粘性、
总体时长等指标
时间长、互动多
看得多
技术: 更多的沉浸页行
为，缓解稀疏性
时长、互动多目标建模
用户兴趣理解
曝光建模
20. 美团交易视频推荐-沉浸页重排-曝光建模
建模用户看到一个视频后有效下拉的概率
强位置偏差
debias
P(下一个视频曝光|用户看到这个视频）
用户单次请求总曝光期望
? ?'?
# $ ? ?
!"? ?"?
样本优化
初版样本
正样本 有下拉的曝光卡片：其后曝光卡片>=1
负样本 无下拉的曝光卡片
正样本
负样本
有效曝光且有着有效下拉的卡片；
• 有效曝光：用户有点击/播放时长
>=2s/完播
• 有效下拉：其后曝光卡片大于等于2
张
无有效下拉且无点击/有效播放/完播
21. 美团交易视频推荐-沉浸页重排-基于BeamSearch的序列生成算法
思路：整列价值最大化
通过下拉预估计算每个视频的曝光概率
通过曝光概率计算整列价值期望
通过beamSearch搜索最大价值序列
整列价值
%
? = ? ? ! = % (?? " ? " + ?? " )
"#$
单卡价值
? " = ? ???, ????, ????, ????????, …
单卡曝光概率
"'$
? " = 9 ? ()!! !
&#$
通过BeamSearch搜索整列价值最大序列
22. 美团交易视频推荐-沉浸页重排-相关性和兴趣缩放
背景
交易视频沉浸页是基于首卡的推荐，且用户有一定交易的心
智，对局部相关性和首卡相关性有一定要求，因此需要通过
机制在推荐结果列表不同位置不同局部平衡多样性和发散性
&
&
? = ? ? ! + ? " = & (?? # ? # + ?? # ) + & ? # ? #
#$%
整列价值期望
#$%
多样性相关性价值
• 通过滑动窗口计算局部加入item后相关性和多样性价值，
并加入整体价值中，实现局部相关性多样性的平衡
• 通过item加入列表中位置计算首卡相关性及衰减系数，
实现推荐结果随用户浏览深度的发散
23. 目录
01 美团交易视频业务现状与挑战
02 美团交易视频优化实践
03 美团交易视频推荐总结与展望
24. 美团交易视频推荐-总结
业务
Ø是对在美团APP分发交易视频进行种草带货的初步尝试
Ø构建了交易视频在双列feeds和单列沉浸页分发的能力
技术
Ø 针对双列feeds和单列沉浸页以及美团App的特点进行定制化优化和适配
Ø 快速迭代，业务目标导向
Ø 对前沿实用技术进行探索
25. 美团交易视频推荐-技术展望
Ø 实时化
召回、粗排、精排的全面实时化
Ø 用户兴趣理解
进一步深化多兴趣召回、长序列建模、商品兴趣迁移等技术，更好地理解用户兴趣
Ø 多场景建模
服务多个入口的交易视频推荐，通过多场景联合建模实现多个场景的增长
26. Q&A