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 | 一文详解美团 6 篇精选论文 179 MT-BERT 在文本检索任务中的实践 192 美团无人车引擎在仿真中的实践 204 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 278 自然场景人脸检测技术实践 289 技术解析 Operator：通用特征处理逻辑，根据功能的不同又可以分为两类： ● IO OP：用处理原始特征的获取，如从 KV 里获取数据，或者从对应的第三方 服务中获取数据。内置批量接口，可以实现批量召回，减少 RPC。 ● Calc OP：用于处理对获取到的原始特征做与模型无关的逻辑处理，如拆分、 判空、组合。业务可以结合需求实现特征处理逻辑。 通过 IO、计算分离，特征抽取执行阶段就可以进行

次 KDD Cup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架 37 图神经网络训练框架的实践和探索 66 图技术在美团外卖下的场景化应用及探索 83 大规模异构图召回在美团到店推荐广告的应用 102 美团搜索粗排优化的探索与实践 116 美团外卖推荐情境化智能流量分发的实践与探索 129 大众点评搜索相关性技术探索与实践 152 美团 SemEval2022 与其他模型在不同分辨率下性能对比 算法 < 3 图 1-1 展示了不同尺寸网络下各检测算法的性能对比，曲线上的点分别表示该检测 算法在不同尺寸网络下（s/tiny/nano）的模型性能，从图中可以看到，YOLOv6 在精 度和速度方面均超越其他 YOLO 系列同体量算法。 图 1-2 展示了输入分辨率变化时各检测网络模型的性能对比，曲线上的点从左往右 分别表示图像分辨率依次增大时（384 分别表示图像分辨率依次增大时（384/448/512/576/640）该模型的性能，从图中可 以看到，YOLOv6 在不同分辨率下，仍然保持较大的性能优势。 2. YOLOv6 关键技术介绍 YOLOv6 主要在 BackBone、Neck、Head 以及训练策略等方面进行了诸多的 改进： ● 我们统一设计了更高效的 Backbone 和 Neck ：受到硬件感知神经网络设计 思想的启发，基于 RepVGG style[4]

•参与数据平台搭建 •负责全平台数据仓库和数据产品建设 •2011年 百度电子商务事业部 •有啊商城的开发 •2010年毕业于中科院计算所 Outline •美团点评酒旅业务简介 •基于用户画像的召回策略演进 •基于L2R的排序策略优化 •从海量大数据的离线计算到高并发在线服务的推荐引擎架构设计 •推荐在美团点评酒旅的应用实践 人工智能应用 Critical Physical World ，不适合按POI样式展现 季节性明显 冬季温泉订单占比超过20%, 而夏季不到7% 需求个性化 用户人群 时间地域场景 内容形态 基于用户画像的召回策略演进 热销策略 基于Deal所在城市统计分城市热销 分类 场景 召回策略 本地需求 常驻城市=浏览城市 (北京人浏览北京) 当地用户购买的热销POI 异地需求 常驻城市!=浏览城市 (重庆人浏览北京) 异地用户购买的热销POI 有车 九华山庄 南山滑雪场 标签在用户维度的分布 标签在POI维度的分布 用户标签偏好*标签权重*POI标签偏好*POI销量 召回策略演进过程 基于L2R的排序策略优化 机器学习流程 问题建模 推荐 推荐 访消率 •访购率为目标 •只看点击率没有反映出交易属性 •看最终收入 •消费受购买限制、退款条件等影响 •收入跟BD谈单毛利相关 •Pointwise L2R •Pairwise性能问题

遇到的问题和挑战，同时本文也提供我们的解决思路：通过数据JSON化，运营流程化，接口SDK化分别 解决了运营平台的灵活性、高效性和稳定性。APPKIT帮助产品、运营和研发提升C端的开发和运营效 率，加速产品的迭代进程。 APPKIT打造稳定、灵活、高效的运营配置平台 - 美团技术团队 目前基于APPKIT的平台化特性，对App的模块化配置、 Picasso  的JS的管理、ABTest、个人中心入口 根 据服务所在机器内存与服务本身内存占用来确定，确保增加LruCache后，服务本身内存占用在安全范围 内；同时可以根据查询操作统计缓存数据在实际使用中的命中率。 下图是增加LruCache结构前后，且增加LruCache后命中率高于95%的情况下，针对持续增长的QPS得 出的数据获取平均耗时(ms)对比图： 引入LruCache前后平均耗时 根据平均耗时图显示可以得出结论： 1. 使用的需求。 2. 增加LruCache结构后，耗时下降一个量级。从平均耗时角度看，QPS不高于500的情况下，耗时低于2ms。 下图是增加LruCache结构前后，且增加LruCache后命中率高于95%的情况下，针对持续增长的QPS得 出的数据获取Top999耗时(ms)对比图： LruCache在美团DSP系统中的应用演进 - 美团技术团队 引入LruCache前后TP999耗时

每服务千人成本越低越好 - 运营简易度： 设计新运营策略的难度 - 开发迭代： 如需开发介入，那么功能迭代的速度 - 可解释性： 理由是否能否说服玩家遵从建议 - 对用户价值： 提升玩家体验 / 吃鸡率的帮助有多大 推荐系统接入——系统架构 推荐系统: 向量化 方案探索——资源点推荐 针对具体场景开发 - 专利：《一种在游戏中离线挖掘、实时推荐资源点的方案》 - 大数据挖掘资源出现位置 - 太 bug 了，限制使用 方案探索——聚类统计 模仿大多数玩家的选择 - 实现方法： - 为玩家生成 [0, 1] 特征向量 - 聚类统计，存入 Faiss - 实时 Faiss 匹配召回 - 问题： - 特征过多（600多维），无法分析 - 聚类结果趋同 方案探索——关键帧 / 路径推荐 模仿某一个玩家的选择 - 专利：《一种在实时游戏对局中，模仿历史胜利玩家打法，并对当前玩家进行打法推荐的方案》 - 运营可闭环策略设计，开发无需介入 方案详述——完整架构 先对整个架构有一个大概的认识 - 消息队列消费：解耦 MQ - Token 清洗：事件翻译和 token 计算 - 推荐系统：策略召回和推荐 - 数据分析：离线策略挖掘和模型训练 - 管理平台：开发、运营、运维辅助 实现方案——Token 清洗 Token 清洗服务完整流程 - 挑战：150+类 token，如何高内聚，降低

些材料？ p 客服场景机器人 p 特性： ü 永远积极向上，比传统客服更”善解人意” ü 回答标准且及时，永不打烊 ü 支持多平台，支持语音、文字、图片等多种形式 ü 有效减少人力投入，有效提升应答准确率 各个击破－业务 u 公司需要打卡吗？公司的文化是什么？ 年假多少天？ u 打车发票要怎么报销？ u 物业一年物业费多少钱？能帮忙换水 龙头？ p 其它场景机器人 p 特性： ü 有效渗透 learn：调用LR训练模型 各个击破－评估 • 评估数据 Ø 领域均衡：6个领域，每个领域50个知识点 Ø 评估数据对标训练数据：每个知识点12个相似问用于训练，3个相似问用于评估 • 评估指标 Ø 准确率/召回率/F1值 婴儿咳嗽怎么食疗 新生儿黄疸吃什么药 没有快递取货码怎么办 宝宝流鼻水咳嗽可以喝什么么 新生儿黄疸可以服用的药物 取货吗被我不小心删了怎么办 宝宝咳嗽吃什么食疗好阿 什么药能治疗黄疸

一、问题背景 二、Rust指针缺陷检测方法 三、实验结论 四、论文发表心得 实验效果 ❑ 基于已知CVE评 估检测能力 ❑ 基于GitHub上其 它开源Rust项目 的实验 高召回率 低误报率 double free和悬空指 针问题比较多 案例分析 Panic将导致双重释放 提前 性能：SafeDrop vs 原始Rust编译器 总结和思考 ❑ 问题根源是Rust的自动析构机制

d=-2) >>> sorted(c.elements()) ['a', 'a', 'a', 'a', 'b', 'b'] most_common([n]) 返 回 一 个 列 表， 提 供 n 个 频 率 最 高 的 元 素 和 计 数。 如 果 没 提 供 n ， 或 者 是 None ， most_common() 返回计数器中的 所有元素。相等个数的元素顺序随机： >>> Counter('abracadabra') rates or ratios, for example speeds. For example: 假设一名投资者在三家公司各购买了等价值的股票，以 2.5，3 ，10 的 P/E (投资/回报) 率。投资者 投资组合的平均市盈率是多少？ >>> harmonic_mean([2.5, 3, 10]) # For an equal investment portfolio. 3.6 Using 7.13 余的 PUT 操作码来加快打包过程。不应将其与自指 (self-referential) 对象一起使用，否则将导 致Pickler 无限递归。 如果需要进一步提高 pickle 的压缩率，请使用pickletools.optimize()。 class pickle.Unpickler(file, *, fix_imports=True, encoding=”ASCII”, errors=”strict”)

rates or ratios, for example speeds. For example: 假设一名投资者在三家公司各购买了等价值的股票，以 2.5，3 ，10 的 P/E (投资/回报) 率。投资者投资 组合的平均市盈率是多少？ >>> harmonic_mean([2.5, 3, 10]) # For an equal investment portfolio. 3.6 Using 的使用，即不生成多 余的 PUT 操作码来加快打包过程。不应将其与自指 (self-referential) 对象一起使用，否则将导 致Pickler 无限递归。 如果需要进一步提高 pickle 的压缩率，请使用pickletools.optimize()。 class pickle.Unpickler(file, *, fix_imports=True, encoding=”ASCII”, errors=”strict”) bytes 对象。参数 level 为整数，可取值为 0 到 9 或 -1， 用于指定压缩等级。1 (Z_BEST_SPEED) 表示最快速度和最低压缩率，9 (Z_BEST_COMPRESSION) 表 示 最 慢 速 度 和 最 高 压 缩 率。0 (Z_NO_COMPRESSION) 表 示 不 压 缩。 参 数 默 认 值 为 -1 433 The Python Library Reference

常适合于求比率和比例的平均值，比如速 率。 假设一辆车在 40 km/hr 的速度下行驶了 10 km ，然后又以 60 km/hr 的速度行驶了 10 km 。车辆的 平均速率是多少？ >>> harmonic_mean([40, 60]) 48.0 假设一名投资者在三家公司各购买了等价值的股票，以 2.5，3 ，10 的 P/E (价格/收益) 率。投资者 投资组合的平均市盈率是多少？ 的使用，即不生成多 余的 PUT 操作码来加快封存过程。不应将其与自指 (self-referential) 对象一起使用，否则将导 致Pickler 无限递归。 如果需要进一步提高 pickle 的压缩率，请使用pickletools.optimize()。 class pickle.Unpickler(file, *, fix_imports=True, encoding=”ASCII”, errors=”strict” (Z_BEST_SPEED) 表示最快速度和最低压缩率，9 (Z_BEST_COMPRESSION) 表 示 最 慢 速 度 和 最 高 压 缩 率。0 (Z_NO_COMPRESSION) 表 示 不 压 缩。 参 数 默 认 值 为 -1 (Z_DEFAULT_COMPRESSION)。Z_DEFAULT_COMPRESSION 是速度和压缩率之间的平衡 (一 般相当于设压缩等级为 6)。函数发生错误时抛出error