1. MTGR混合范式建模概述
在推荐系统领域,我们经常面临一个经典难题:如何平衡特征工程与模型表达能力。传统推荐系统严重依赖人工设计的交叉特征(如"用户年龄+商品类别"的组合特征),这些特征往往对模型效果至关重要。但美团技术团队在实践中发现,当去除这些精心设计的交叉特征后,即使增加模型规模也无法弥补性能下降。这个发现引发了对新范式的思考——能否将用户粒度建模与传统特征工程的优势结合起来?
MTGR(Meituan Generative Recommendation)正是对这一问题的创新解答。它巧妙地将生成式模型架构(Transformer+用户序列)与判别式建模目标相结合,既保留了交叉特征的价值,又发挥了序列建模的优势。这种混合范式在美团多个业务场景中验证有效,相比纯特征工程方法点击率提升3-8%。
关键洞察:MTGR的核心突破在于重新思考了"手段"与"目的"的关系——生成式架构是强大的表征学习手段,但不必局限于生成式目标;用户序列是高效的计算组织方式,也不必然要求严格的因果建模。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. MTGR的数据组织与token设计
2.1 数据格式解析
MTGR的数据组织方式独具匠心,采用分层token结构:
python复制[User, Seq, RealTime, [Cross_1,Item_1], [Cross_2,Item_2], ...]
这种结构明确划分了四种语义单元:
- User tokens:静态用户画像(年龄、性别、城市等)
- Sequence tokens:长期行为序列(过去30天的点击/购买记录)
- RealTime tokens:短期实时行为(最近1小时的交互)
- Candidate tokens:每个候选物品及其交叉特征(用户-物品交叉统计)
2.2 设计哲学剖析
这种设计体现了三个关键思想:
-
时空分离原则
将用户行为按时间尺度分层:长期稳定偏好(Seq)、短期实时兴趣(RealTime)与即时决策环境(Candidate)。例如在外卖推荐中,用户的常住地属于User tokens,每周五的奶茶订单属于Seq tokens,今天午餐前的咖啡浏览属于RealTime tokens。 -
特征解耦策略
