美团外卖中面向长用户行为序列的基于上下文的快速推荐策略

在美团外卖的推荐系统中，我们正处理日益增长的用户行为序列，这对有效建模用户偏好构成了越来越大的挑战。现有的序列推荐模型通常无法捕捉长期依赖关系，或者过于复杂，难以满足美团外卖独特的业务需求。为了更好地建模用户兴趣，我们考虑根据用户偏好从其广泛的历史行为中选择相关的子序列。在此特定场景中，我们注意到用户交互的上下文对其偏好有显著影响。为此，我们引入了一种名为“基于上下文的快速推荐策略”的新方法来解决长序列问题。我们首先识别与目标上下文具有相似用户偏好的上下文，然后基于这些识别出的上下文定位相应的兴趣点（PoI）。这种方法消除了为每个候选 PoI 选择子序列的必要性，从而避免了高时间复杂度。具体来说，我们实现了一种基于原型的方法来精确定位反映相似用户偏好的上下文。为了提高准确性和可解释性，我们采用 PoI 属性（如类别和价格）的 JS 散度作为上下文之间相似性的度量。一个整合了原型节点和上下文节点的时序图有助于纳入时序信息。然后，我们同时考虑目标上下文和短期用户偏好来识别合适的原型。随后，我们利用与这些原型对齐的上下文生成子序列，旨在通过目标注意力机制预测 CTR 和 CTCVR 分数。自 2023 年提出以来，该策略已被应用于美团外卖的展示推荐系统中，使 CTR 提升了 4.6%，GMV 提升了 4.2%。