几篇KDD'24大厂推荐系统优化工作总结

主要观点总结

文章介绍了KDD2024中大厂在推荐系统领域的优化工作，包括爱彼迎的多目标建模和模型蒸馏、ranking loss的有效性分析、快手上下文蒸馏提升精排多样性、美团搜索意图引入推荐模型等内容。

关键观点总结

关键观点1: KDD2024中的推荐系统优化工作

文章主要介绍了KDD2024中，大厂如爱彼迎、腾讯、快手、美团等在推荐系统领域的优化工作。这些工作涉及多目标建模、模型蒸馏、ranking loss、上下文信息的使用和搜索意图的引入等。

关键观点2: 爱彼迎的多目标建模和模型蒸馏

爱彼迎的工作将多目标建模转换成模型蒸馏问题，通过设计一种损失函数，同时包括主目标的hard label的优化目标和每个其他目标的soft label的优化目标，来优化模型。

关键观点3: Ranking Loss的有效性分析

排名损失（Ranking Loss）在推荐系统中的应用被深入研究。在推荐系统的预估模型中，引入list-wise或pair-wise的ranking loss可以显著提升模型的AUC。文章通过对比实验和分析，揭示了ranking loss在推荐系统中提高效果的核心原因。

关键观点4: 快手上下文蒸馏提升精排多样性

快手的工作提出了一种在精排阶段提升推荐系统多样性的建模方法。通过上下文信息的多样性蒸馏方法，将多样性信息融入到精排模型中，以解决在重排阶段中由于精排阶段缺乏多样性导致的整体推荐系统多样性不足的问题。

关键观点5: 美团搜索意图引入推荐模型

美团的工作利用搜索场景的用户意图信息，通过构建dual-intent转化表征学习方法，将搜索意图信息引入到推荐模型中，以提升推荐系统的建模效果。该方法包括构建异构图、获取query表征、融合图上用户临接节点信息等步骤。