用于 CTR 预测动态冷启动场景优化的场景自适应网络

在现代移动电子商务领域，通过基于位置的在线服务为用户提供附近商业服务推荐已变得越来越重要。虽然机器学习方法在多场景推荐中展现出前景，但现有方法往往难以应对前所未有的场景中的冷启动问题：商业选择日益多样化，加上场景的在线寿命短暂，导致在线和动态场景中进行有效推荐的复杂性。在本工作中，我们提出场景自适应网络（SwAN），一种强调新场景高性能冷启动在线推荐的新方法。我们的方法引入了几项关键能力，包括场景相似性学习、用户特定场景转换认知、新场景的场景特定信息构建以及增强场景间的分歧逻辑信息。我们展示了 SwAN 通过有效在线处理任何新到达场景的冷启动推荐来优化动态多场景推荐问题的潜力。更令人鼓舞的是，SwAN 已成功部署在美团在线餐饮推荐服务中，该服务每天服务数百万顾客，SwAN 相比基线实现了 5.64% 的 CTR 指标提升和 5.19% 的日订单量占比增长。