Исследователи из Meituan 26 октября 2026 года опубликовали на arXiv статью, в которой описывают модель Hierarchical GTV Estimation (HGE) для рекламы на платформах с «контейнерным» отображением — когда пользователь сначала выбирает магазин или трансляцию, а затем покупает отдельные товары внутри них. Как сообщают авторы, HGE превосходит существующие подходы: прирост XAUC на 0,63% в офлайн-оценке и увеличение Revenue Per Search (RPS) на 1,42% в онлайн A/B-тесте. Модель уже развёрнута в основном трафике платформы.
В традиционных рекламных системах каждый товар ранжируется независимо. Однако на платформах вроде Meituan, где пользователь сначала заходит в магазин или комнату трансляции, а уже там выбирает товар, возникает несоответствие: рекламная система ранжирует контейнеры (магазины, стримы), а покупка происходит на уровне отдельных товаров внутри них. HGE призвана оценивать ожидаемую валовую стоимость транзакций (GTV) для всего контейнера, а не для отдельного товара.
Архитектура HGE включает три ключевых компонента. Hybrid Set-Aware Encoder (HSAE) моделирует динамический состав товаров внутри контейнера и их взаимодействия. Proxy-Label Learning (PLL) разлагает стоимость покупок после клика на три составляющие: вероятность покупки, количество товаров и цену за единицу — это должно снижать дисперсию целевой метрики. Residual Correction and Ensemble Fusion (RCEF) объединяет агрегацию на уровне товаров с оценкой на уровне контейнера, что, по замыслу авторов, помогает при разреженности данных.
Заявленные результаты — прирост XAUC на 0,63% в офлайн-экспериментах и увеличение Revenue Per Search на 1,42% в онлайн A/B-тесте — принадлежат авторам статьи и не являются независимой проверкой. Полное описание датасетов, воспроизводимый код и детали A/B-теста в доступных материалах не раскрыты. Нельзя распространять эти цифры на все рекламные платформы или считать их измерением редакции.
