美团多场景建模的探索与实践
美团在外部投放业务中的多场景建模实践，针对海量流量和场景差异的挑战，提出了一种自适应的解决方案。文章介绍了团队如何运用自适应场景知识迁移和场景聚合技术，以解决外部投放中场景丰富且差异大的问题。这种方法通过动态调整知识共享和专家选择，优化了模型对个性化需求的适应性，尤其在应对小流量场景时效果显著。
传统Mixture-of-Experts架构虽能处理个性化需求，但在美团的复杂业务中显得不足。团队基于物料推荐渠道、App和展示形式的场景划分，构建了自适应场景建模方案AdaScene。它包含场景知识迁移和场景聚合两部分：前者通过权重调整和稀疏专家网络，确保知识共享与场景特性的结合；后者通过损失函数梯度指导场景聚合，减少数据稀疏性问题。
在自适应知识迁移模块中，通过场景特征适配和知识迁移网络，模型能够更好地捕捉场景间共性与差异。实验结果表明，这种迁移方法在优化头部和尾部渠道效果上都有所提升，尤其在小流量场景中效果明显，有助于缓解场景间的负迁移现象。
而在场景聚合部分，通过衡量场景间的相似性并自动合并，解决了场景数据稀疏的训练问题。团队尝试了多种方法，如基于梯度信息的场景关系建模，结果显示，这些方法能有效提高模型的预估效果并减少负迁移效应。
总结而言，美团的多场景建模探索为业界提供了有益的实践，未来将朝着更高级别的场景理解和个性化推荐持续发展，以提升用户体验和商业价值。
上一篇：美团的前端架构是怎样的
多重随机标签