KDD 2021｜美團聯合多高校提出多任務學習模型，已應用於聯名卡獲客場景

不少應用一般都須要用定向展現廣告來進行獲客，對信用卡廣告來講，因爲用戶轉化存在較長的鏈路，持續有效的獲客比傳統廣告更具挑戰性。本文結合美團聯名信用卡業務中的具體實踐，以及今年發表在KDD 2021上的論文，介紹了一種自適應信息遷移多任務（AITM）框架，經過該框架可建模用戶多步轉化之間的序列依賴關係，並提升端到端獲客轉化率。但願能對從事相關研究的同窗有所幫助或者啓發。

論文下載：《Modeling the Sequential Dependence among Audience Multi-step Conversions with Multi-task Learning in Targeted Display Advertising》

源代碼：https://github.com/xidongbo/AITM

招聘信息

美團金融智能應用團隊算法崗位持續熱招中，誠招優秀算法工程師及專家，座標北京/上海。招聘崗位包括：

營銷算法工程師/專家

• 服務美團金融各業務場景，負責營銷獲客、留存促活等場景的算法設計與開發，綜合機器學習與優化技術，解決金融營銷問題；
• 沉澱算法平臺能力，提高算法應用的效率，提供客羣挖掘、權益分配、素材匹配、動態創意、運籌規劃、精準觸達等智能解決方案；
• 結合美團金融業務場景，對深度學習、強化學習、知識圖譜等人工智能前沿技術探索創新，實施創新技術沉澱和落地。

風控算法工程師/專家

• 經過機器學習模型與策略的開發優化，持續提高對於金融風險行爲的識別能力；
• 深刻理解業務，應用機器學習技術提升風控工做的自動化程度，全面提高業務效率；
• 跟進人工智能的前沿技術，並在金融風控場景中探索落地。

NLP算法工程師/專家

• 基於美團金融業務場景，結合天然語言處理和機器學習相關技術，落地智能對話機器人到金融營銷、風險管理、客服等多個場景；
• 參與研發對話機器人的相關項目，包括但不限於語義理解、多輪對話管理等相關算法的開發和優化；
• 持續跟進學術界和工業界相關技術的發展，並快速應用於項目中。

歡迎感興趣的同窗發送簡歷至：chenzhen06@meituan.com（郵件標題註明：美團金融智能應用團隊）。

參考文獻

• [1] Jiaqi Ma, Zhe Zhao, Xinyang Yi, Jilin Chen, Lichan Hong, and Ed H Chi. 2018. Modeling task relationships in multi-task learning with multi-gate mixture-of-experts. In KDD. 1930–1939.
• [2] Zhen Qin, Yicheng Cheng, Zhe Zhao, Zhe Chen, Donald Metzler, and Jingzheng Qin. 2020. Multitask Mixture of Sequential Experts for User Activity Streams. In KDD. 3083–3091.
• [3] Hongyan Tang, Junning Liu, Ming Zhao, and Xudong Gong. 2020. Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recommendations. In RecSys. 269–278.
• [4] Yixuan Li, Jason Yosinski, Jeff Clune, Hod Lipson, and John E Hopcroft. 2016. Convergent Learning: Do different neural networks learn the same representations? In ICLR.
• [5] Matthew D Zeiler and Rob Fergus. 2014. Visualizing and understanding convolutional networks. In ECCV. 818–833.
• [6] Eric Tzeng, Judy Hoffman, Ning Zhang, Kate Saenko, and Trevor Darrell. 2014. Deep domain confusion: Maximizing for domain invariance. arXiv preprint arXiv:1412.3474 (2014).
• [7] Chen Gao, Xiangnan He, Dahua Gan, Xiangning Chen, Fuli Feng, Yong Li, Tat-Seng Chua, and Depeng Jin. 2019. Neural multi-task recommendation from multi-behavior data. In ICDE. 1554–1557.
• [8] Chen Gao, Xiangnan He, Danhua Gan, Xiangning Chen, Fuli Feng, Yong Li, Tat-Seng Chua, Lina Yao, Yang Song, and Depeng Jin. 2019. Learning to Recommend with Multiple Cascading Behaviors. TKDE (2019).
• [9] Xiao Ma, Liqin Zhao, Guan Huang, ZhiWang, Zelin Hu, Xiaoqiang Zhu, and Kun Gai. 2018. Entire space multi-task model: An effective approach for estimating post-click conversion rate. In SIGIR. 1137–1140.
• [10] Hong Wen, Jing Zhang, Yuan Wang, Fuyu Lv, Wentian Bao, Quan Lin, and Keping Yang. 2020. Entire Space Multi-Task Modeling via Post-Click Behavior Decomposition for Conversion Rate Prediction. In SIGIR. 2377–2386.
• [11] https://tianchi.aliyun.com/da...

閱讀美團技術團隊更多技術文章合集

前端 | 算法 | 後端 | 數據 | 安全 | 運維 | iOS | Android | 測試

| 在公衆號菜單欄對話框回覆【2020年貨】、【2019年貨】、【2018年貨】、【2017年貨】等關鍵詞，可查看美團技術團隊歷年技術文章合集。

| 本文系美團技術團隊出品，著做權歸屬美團。歡迎出於分享和交流等非商業目的轉載或使用本文內容，敬請註明「內容轉載自美團技術團隊」。本文未經許可，不得進行商業性轉載或者使用。任何商用行爲，請發送郵件至tech@meituan.com申請受權。