一站式机器学习平台建设实践 77 美团搜索中 NER 技术的探索与实践 92 KDD Cup 2020 Debiasing 比赛冠军技术方案及在美团的实践 113 ICRA 2020 轨迹预测竞赛冠军的方法总结 132 KDD Cup 2020 AutoGraph 比赛冠军技术方案及在美团的实践 141 KDD Cup 2020 多模态召回比赛亚军方案与搜索业务应用 161 CIKM 2020 美团无人车引擎在仿真中的实践 204 美团无人配送 CVPR2020 论文 CenterMask 解读 215 WSDM Cup 2020 检索排序评测任务第一名经验总结 225 美团内部讲座 | 清华大学莫一林：信息物理系统中的安全控制算法 235 KDD Cup 2020 多模态召回比赛季军方案与搜索业务应用 252 对话任务中的“语言－视觉”信息融合研究 267 ICDM 论文：探索跨会话信息感知的推荐模型 10% 的 Google 搜索结果 $ ^{[22]} $ ，除了英文网页，Google 也正在基于 BERT 优化其他语言的搜索结果。值得一提的是美团 AI 平台搜索与 NLP 都在 WSDM Cup 2020 检索排序评测任务中提出了基于 Pairwise 模式的 BERT 排序模型和基于 LightGBM 的排序模型，取得了榜单第一名的成绩 $ ^{[23]} $ 。 ## 搜索相关性

YOLOv6：又快又准的目标检测框架开源啦 目标检测开源框架 YOLOv6 全面升级，更快更准的 2.0 版本来啦 通用目标检测开源框架 YOLOv6 在美团的量化部署实战 7 次 KDD Cup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架 图神经网络训练框架的实践和探索 图技术在美团外卖下的场景化应用及探索 大规模异构图召回在美团到店推荐广告的应用 Twins：重新思考高效的视觉注意力模型设计 美团获得小样本学习榜单 FewCLUE 第一！ Prompt Learning+ 自训练实战 353 DSTC10 开放领域对话评估比赛冠军方法总结 368 KDD 2022 | 美团技术团队精选论文解读 382 ACM SIGIR 2022 | 美团技术团队精选论文解读 391 CVPR 2022 | 美团技术团队精选论文解读 404 ACM MM 7 次 KDD Cup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架 作者：胡可 ### 1. 背景与简介 反馈快速、竞争激烈的算法比赛是算法从业者提升技术水平的重要方式。从若干行业核心问题中抽象出的算法比赛题目具有很强的实际意义，而比赛的实时积分榜促使参加者不断改进，以试图超越当前的最佳实践，而且获胜方案对于工业界与学术界也有很强的推动作用，例如 KDD Cup

have a space limit, such as /rwproject/kdd-db/your_username. sh Miniconda3-latest-Linux-x86_64.sh -b \ -p /rwproject/kdd-db/\whoami\ /miniconda3 Since /rwproject/kdd-db/ is a remote folder, it may take Miniconda to your shell initialization script. Suppose you use the default shell tcsh: /rwproject/kdd-db/\whoami\ /miniconda3/bin/conda init tcsh The code will be written to $ \sim $ /.tcshrc. But the

ds/2012/08/kdd325-stanton.pdf • Stefani, Lorenzo De, et al. Triest: Counting local and global triangles in fully dynamic streams with fixed memory size. TKDD 2017. https://www.kdd.org/kdd2016/papers/

1. Embedding Table的信息仍然非常稀疏 2. 直接压缩key空间和缩小value长度都会导致模型效果下降 ## 业界方案：Double Hashing Facebook [KDD21] Compositional Embeddings Using Complementary Partitions for Memory-Efficient Recommendation Systems 统一建模，根据请求量削峰填谷，资源利用最大化  [KDD2020] DCAF: A Dynamic Computation Allocation Framework for Online Serving System 问题1. 推荐链路的漏斗是对资源的巨大浪费

15_2.jpg) [Eamonn Keogh: How to do good research, get it published in SIGKDD and get it cited!, KDD 2009]  ## Paper Submission for evidence [Eamonn Keogh: How to do good research, get it published in SIGKDD and get it cited!, KDD 2009] 

深度兴趣网络DIN一一捕捉相关兴趣 局部相关性：只有部分兴趣和目标相关 反向激活机制：只用关心和目标相关的兴趣，解决多样性问题 自适应定长向量：增强兴趣表达的准确性和灵活性 [KDD2018] https://arxiv.org/abs/1706.06978v4 ’ alt=‘OCR图片’/> 深度兴趣网络DIN一一捕捉相关兴趣 DIN反向激活机制，和目标商品越相关的历史行为得到的激活权重越大

as you write [Eamonn Keogh: How to do good research, get it published in SIGKDD and get it cited!, KDD 2009]  ## ■ #3

223154+ 6.90 %0.225323+ 7.94%0.222091+ 6.39%Kdd980.1946680.195759+ 0.56 %0.195677+ 0.52%0.195395+

hybrid[C]// Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD), Portland, OR, 202-207, 1996. [7] 李航. 统计学习方法[M]. 北京: 清华大学出版社, 2019. [8] CHAWLA N V, BOWYER K W,