管理企业大规模服务的弹性伸缩场景中，往往会面临着两个挑战：第一个挑战是精准的负载预测，由于应用实例的启动需要一定预热时间，被动响应式伸缩会在一段时间内影响服务质量；第二个挑战是高效的资源分配，即在保障服务质量的同时控制资源成本。 为了解决这些挑战，美团与中国人民大学信息学院柴云鹏教授团队展开了“预测技术在弹性伸缩场景的应用”科研合作，相关论文《PASS: Predictive Auto-Scaling System for Large-scale Enterprise Web Applications》在具有国际影响力的会议The Web Conference 2024（CCF-A类会议）上作为Research Full Paper发表。
美团到店研发平台质量工程部与复旦大学计算机学院周扬帆教授团队展开了大前端智能化测试领域的科研合作，从UI界面内容一致性校验入手，并实现了一套自动化智能检测流程，相关论文被软件工程领域具有国际影响力的会议ICSE 2024（CCF-A类会议）的Software In Practice Track（软件工程实践应用）收录。
本文精选了美团技术团队被CIKM 2024收录的8篇论文进行解读，覆盖了自监督学习、解释生成、CTR预测、跨域推荐、向量召回、图像生成、时效预测等多个技术领域。这些论文有美团独立研究，还有跟高校、科研机构合作的成果。希望能给从事相关研究工作的同学带来一些帮助或启发。
本文详述了全域建模技术在美团首页推荐系统的发展和演进。美团首页推荐算法团队通过多阶段递进式探索验证，在召回与排序模块引入多展位、多应用渠道的多源用户交互数据，并在落地过程中解决了多展位、多业务、时空场景强相关性的特点导致的严重跨域信号负迁移挑战。
大众点评技术部/搜索与内容智能团队组成的BlackPearl队伍，参加了2024年KDD 2024 OAG-Challenge Cup赛道的WhoIsWho-IND、PST、AQA三道赛题，以较大优势包揽了该赛道全部赛题的冠军。本文对这三个赛道的夺冠方案分别进行了解读，希望对大家有所帮助或启发。
传统实验引擎基于单一实验单元、普通随机分组、大样本和个体独立性，适用于单边场景实验，但在多边场景中显得不足。此外，多边场景中溢出效应成为常态，进一步挑战了传统方法的适用性。针对这些挑战，本文提出了新方案可作为有用的指南，帮助实验平台建设者应对开发中的挑战，并采用不同方法确保实验的可靠性和高效性。
本文整理自美团技术沙龙第81期《美团在广告算法领域的探索及实践》（B站视频）。文章首先介绍了美团信息流广告业务以及预估技术的现状，然后重点分享了信息流广告预估在美团的具体实践，围绕决策路径、超长超宽建模和全还原建模等多个维度进行了分享，最后是一些总结和展望，希望能对大家有所帮助或启发。
不同于其他电商场景，外卖业务下大量中小商家营销能力弱，菜品图像质量差，因此在C端对菜品图利用AIGC技术进行美化存在较大的潜力。自2023年以来，美团针对智能头图展示的菜品供给利用AIGC技术进行全面优化，结合图像生成以及视频生成技术，生成素材日曝光达到2亿。本文将介绍美团在视觉AIGC技术落地过程中遇到的挑战以及解决思路。
