ترجمه فارسی مقاله شبکه تطبیقی ​​صحنه برای بهینه سازی پویا صحنه های شروع سرد در پیش بینی CTR

چکیده

In the realm of modern mobile E-commerce, providing users with nearby commercial service recommendations through location-based online services has become increasingly vital. While machine learning approaches have shown promise in multi-scene recommendation, existing methodologies often struggle to address cold-start problems in unprecedented scenes: the increasing diversity of commercial choices, along with the short online lifespan of scenes, give rise to the complexity of effective recommendations in online and dynamic scenes. In this work, we propose Scene-wise Adaptive Network (SwAN), a novel approach that emphasizes high-performance cold-start online recommendations for new scenes. Our approach introduces several crucial capabilities, including scene similarity learning, user-specific scene transition cognition, scene-specific information construction for the new scene, and enhancing the diverged logical information between scenes. We demonstrate SwAN’s potential to optimize dynamic multi-scene recommendation problems by effectively online handling cold-start recommendations for any newly arrived scenes. More encouragingly, SwAN has been successfully deployed in Meituan’s online catering recommendation service, which serves millions of customers per day, and SwAN has achieved a 5.64% CTR index improvement relative to the baselines and a 5.19% increase in daily order volume proportion.

چکیده به فارسی (ترجمه ماشینی)

در حوزه تجارت الکترونیکی مدرن تلفن همراه ، ارائه توصیه های خدمات تجاری در این نزدیکی از طریق خدمات آنلاین مبتنی بر مکان به طور فزاینده ای بسیار مهم شده است.در حالی که رویکردهای یادگیری ماشین در توصیه های چند صحنه نوید نشان داده اند ، روشهای موجود اغلب برای رفع مشکلات سرد در صحنه های بی سابقه تلاش می کنند: تنوع روزافزون انتخاب های تجاری ، همراه با طول عمر آنلاین کوتاه صحنه ها ، پیچیدگی مؤثر را ایجاد می کندتوصیه ها در صحنه های آنلاین و پویا.در این کار ، ما شبکه تطبیقی ​​صحنه ای (SWAN) را پیشنهاد می کنیم ، یک رویکرد جدید که بر توصیه های آنلاین با کارایی بالا برای صحنه های جدید تأکید دارد.رویکرد ما چندین قابلیت مهم را معرفی می کند ، از جمله یادگیری شباهت صحنه ، شناخت انتقال صحنه خاص کاربر ، ساخت اطلاعات خاص صحنه برای صحنه جدید و تقویت اطلاعات منطقی واگرا بین صحنه ها.ما پتانسیل SWAN را برای بهینه سازی مشکلات توصیه های چند صحنه پویا با استفاده از توصیه های سرد آنلاین برای هر صحنه تازه وارد نشان می دهیم.دلگرم کننده تر ، SWAN با موفقیت در سرویس توصیه های پذیرایی آنلاین Meituan مستقر شده است ، که روزانه میلیون ها مشتری را ارائه می دهد ، و SWAN به بهبود شاخص 5.64 ٪ CTR نسبت به خطوط پایه و افزایش 5.19 ٪ در نسبت حجم سفارش روزانه رسیده است.