工具与应用01
Airbnb 更新了它用来给推荐系统提供数据的 Chronon 平台。以前，推荐系统用的用户行为特征要等将近两天才更新一次，推荐容易过时。现在他们加了 Push Mode（推送模式）和近实时模型转换，能在几秒内更新这类推荐向量，把延迟降到一分钟以内。效果上，离线评测指标 NDCG 提升了 1.67%，线上测试中未取消的预订量大约增加了三分之一百分点。
文中可用工具
- ChrononAirbnb 的特征平台，用来生成和更新推荐系统所需的数据
- Push ModeChronon 新增的推送模式，让特征更新更快
- Near Real-Time Model Transform近实时模型转换，用于在秒级更新推荐向量
研究与技术02
Mallika Rao 在一次演讲中提出，自适应推荐系统真正的难点不在模型结构本身，而在系统怎么搭。现实中系统要边用边学，就得处理实时反馈、检索内容的新鲜度、多阶段流程的协调，以及从用户请求到返回结果的整体延迟预算。同时还得兼顾成本和可观测性这些实际运营限制。目前这只是演讲内容分享，文中没有说明有任何现成工具或产品可以直接使用。
模型进展03
美团把过去各自为战的外卖推荐系统——首页、拼好饭等业务长期各建各的模型——合并成了一个大模型 MTFM。它的难点在于：不同业务的用户特征格式不一样、数据不能直接混用，而且序列很长导致算起来特别贵。美团的做法是像搭乐高一样，把不同业务的特征统一切成“词块”喂给同一个骨干网络，再用混合注意力机制把最贵的计算集中到真正重要的目标特征上，训练时按用户把多个业务的曝光合并成一条样本来省算力。结果是多个外卖业务的订单量提升了 2.06% 到 6.68%，推理成本降低 24%，不过落地场景限于美团外卖业务，效果来自其内部数据。