报名成功后添加“小助手”微信进群

| 关于美团技术沙龙

活动由清华大学-美团数字生活联合研究院和深圳市美团机器人研究院联合出品，美团技术团队和美团科协主办。

技术沙龙论文分享会将精选美团在不同领域学术会议上发表的论文，邀请作者分享研究成果，期待与大家交流经验，共同促进技术前沿的探索。

本期活动为SIGIR2024专场。

/出品人/

Jun Lei，美团研究员

毕业于清华大学，2015年加入美团，从0到1搭建了美团广告系统，在计算广告和推荐系统方向有丰富的经验。

| 日程安排

| 分享介绍

Xuejian Li，美团技术专家

主要研究方向为广告拍卖机制设计、智能出价等。 

Deep Automated Mechanism Design for Integrating Ad Auction and Allocation in Feed

融合信息流广告拍卖与混排的深度自动机制设计

论文简介：电子商务平台通常展示一个包含自然结果和广告的有序列表来响应用户的页面请求。这个列表是广告拍卖和混排的结果，直接影响平台的广告收入和总交易额，其中广告拍卖决定展示哪个广告及其计费，混排决定广告和自然结果的展示顺序。主流做法将广告拍卖和混排拆分为两个独立阶段，但这存在两个问题导致次优的结果：1）广告拍卖没有考虑外部性，比如实际展示位置和上下文对广告点击率的影响；2）混排利用拍卖获胜广告的计费动态决定展示位置，未能维持广告机制的激励兼容性质。 因此，本文提出了一个深度自动机制，融合了广告拍卖和混排，确保在考虑外部性的情况下满足激励兼容和个体理性，同时最大化广告收入和GMV。该机制同时决定了广告的排名、计费和展示位置，在离线实验和在线A/B测试中，产生的广告收入和GMV高于最先进的基线。 

---------------------------------------

Wenjie Li，清华大学在读博士

研究方向为联邦推荐、统计学习等。在NeurIP/SIGIR/IJCAI/UAI等国际会议上发表相关论文，并担任NeurIPS/ICLR/AAAI/IJCAI/WWW/MM等会议审稿人。

ReFer: Retrieval-Enhanced Vertical Federated Recommendation for Full Set User Benefit

ReFer: 一种面向全用户增益的检索增强式纵向联邦推荐框架 

论文简介：随着数据隐私保护监管日益严格和跨企业数据流通需求的增长，纵向联邦学习技术越来越受推荐领域的关注。然而传统联邦方案忽略了大量非交叉用户数据，不仅降低了训练过程中用户兴趣信息的丰富度，还导致模型只能对数量有限的交叉用户进行预测，大大降低了落地性价比。为解决这一问题，本文首次定义全用户纵向联邦推荐范式，并提出基于检索增强的纵向联邦推荐框架ReFer。该框架提出了一种通用的二阶段分布式检索方案及其配套的分布式注意力融合机制，解决了跨域特征缺失问题，缓解了跨用户群的兴趣偏差，显著提高了联邦后的全用户增益。在公共数据集和美团业务数据集上的实验结果均显示，ReFer能在多场景下同时提升全用户的推荐性能。 

---------------------------------------

Yantong Lai，中国科学院信息工程研究所在读博士

研究方向为推荐算法、时空数据挖掘，本科就读于四川大学电子信息学院。 

​

Disentangled Contrastive Hypergraph Learning for Next POI Recommendation 

解耦对比超图学习用于下一兴趣点推荐

论文简介：下一个兴趣点（POI）推荐是一项重要且流行的任务，旨在为用户提供下一个感兴趣的位置建议。在下一兴趣点推荐研究中，现有的大多数基于序列和图神经网络的方法已探索了多种途径来建模用户的签到行为，并取得了显著的性能。本文提出了一种新颖的框架——解耦对比超图学习（DCHL），并应用于下一个兴趣点推荐中。具体而言，我们设计了一个多视角解耦超图学习组件，利用调整后的超图卷积网络从协同、转移和地理视角中解耦重要的多方面影响。此外，我们提出了一个自适应融合方法来自动融合多视图信息。最后，我们采用跨视图对比学习来捕获视图间的协同关联，并基于自我辨别增强用户和POI表示的质量。在多个真实世界数据集上的广泛实验验证了本文提出的模型DCHL相较于多种先进方法的优越性。

| 报名方式

点击本页面报名，美团同学无需报名，内部大象会有通知~

往期活动PPT及视频干货攻略

美团技术沙龙已举办了80多场，吸引了10万多工程师报名参会，覆盖前端、后台、系统、算法、测试、运维等技术领域，往期PPT及视频资料已整理，欢迎关注美团技术团队公众号（meituantech），通过【菜单栏】下的【技术沙龙】进行查看。