图技术在美团外卖下的场景化应用与探索

2023-09-30 20:12:56

图技术在个性化外卖广告 CTR 预估中的场景化应用

摘要

随着外卖行业的发展，个性化广告推荐变得至关重要。基于图网络的场景化建模技术正在成为提升外卖广告 CTR 预估准确性的强大工具。本文将深入探讨图技术在该领域中的应用，从抽象图关系到子图扩展再到场景感知子图，逐步介绍如何利用图技术有效建模业务问题。

图网络技术的出发点

在美团外卖的广告 CTR 预估中，稀疏的特征和复杂的场景给传统特征工程带来了挑战。图网络技术通过将数据表示为图结构，捕获实体之间的关系和交互，有效地解决了这些问题，提升了特征丰富度和表达能力。

特征层面的抽象图关系

在外卖场景下，我们抽象出了四种图关系：用户-商品图、用户-商家图、商品-商品图和商家-商家图。这些关系提供了丰富的特征信息，例如用户的历史偏好、商家的竞争环境等。

子图扩展

子图扩展从原始图中抽取局部子结构，作为新特征输入模型。在外卖场景下，我们定义了用户行为子图、商品相似子图和商家竞争子图，提供了更加细粒度的特征信息，提升了模型的预测能力。

场景感知子图

场景感知子图根据场景变化动态调整子图的结构和内容。在外卖场景下，我们定义了时间感知子图、地域感知子图和天气感知子图，提升了模型对场景变化的感知能力，提高了泛化性能。

业务场景应用

我们已将图技术成功应用于两个业务场景：

外卖场景感知： 识别用户在不同场景下的行为偏好，实现精准的广告推荐。
场景化深度融合： 将图特征与其他特征融合，提升模型的整体预测能力。

代码示例

以下 Python 代码示例演示了如何使用 NetworkX 库构建外卖场景的图网络：

import networkx as nx

# 创建一个图
G = nx.Graph()

# 添加节点（用户、商品、商家）
users = ['user1', 'user2', 'user3']
items = ['item1', 'item2', 'item3']
shops = ['shop1', 'shop2', 'shop3']
G.add_nodes_from(users, type='user')
G.add_nodes_from(items, type='item')
G.add_nodes_from(shops, type='shop')

# 添加边（用户-商品、用户-商家、商品-商品、商家-商家）
edges = [
    ('user1', 'item1'),
    ('user2', 'item2'),
    ('user3', 'item3'),
    ('user1', 'shop1'),
    ('user2', 'shop2'),
    ('user3', 'shop3'),
    ('item1', 'item2'),
    ('item2', 'item3'),
    ('shop1', 'shop2'),
    ('shop2', 'shop3')
]
G.add_edges_from(edges)