HGE：从商品成交分解到门店广告价值预估¶

实现范围为 HSAE、PLL、RCEF 的可微 L1 组件，不是完整广告模型。论文私有日志训练和线上实验成本过高，不复现（审查 DONE）；不据此宣称本地获得线上收益或接入 Evolve。

论文信息¶

字段	内容
论文链接	arXiv v1、固定全文
原文标题	Hierarchical GTV Estimation: Bridging the Gap between Container-Level Ranking and Item-Level Conversion
公司 / 机构	一作 Zerong Lan：美团；作者单位均为 Meituan
首次公开日期	2026-10-23 09:50:06 UTC，arXiv v1；10月26日公告。论文另列 RecSys 2026 会议出版，会议时间不是精确首发时间的替代
原作者代码	固定 v1 与 arXiv 未提供作者代码链接；精确标题/编号检索未找到作者实现，生产数据不公开
本地 adapter / 稳定键	`hge`；`adapter: null`，独立组件而非完整复现 adapter
本地复现代码	`src/auto_research/reproductions/hge.py`；`tests/reproductions/test_hge.py`
本地证据	三种子机制指标、脱敏 GPU 凭证

原始论文总结¶

背景与主要改动¶

搜索广告排序的是门店、直播间等“容器”，成交却发生在内部商品上。单条成交金额既稀疏又高方差，简单把门店当成一个商品，容易忽略低价高频与高价低频商品的组合。

HGE 先用 Hybrid Set-Aware Encoder 编码 top-K 商品的竞争关系，再在自注意力之后拼入用户、门店、上下文与查询。Proxy-Label Learning 分开预测门店是否成交、成交后每个商品的购买概率和数量；Residual Correction and Ensemble Fusion 用残差补偿 top-K 未覆盖的成交，再与通用门店回归融合。融合权重由上下文门控逐样本学习，不是按事后真实成交标签切路。

原论文关键图¶

原论文 Figure 2：完整网络含左侧行为序列与通用回归塔。本地实现右侧公式组件及融合，左侧 DIN/DCN 等仍是外部输入，不拿一个线性回归头冒充完整工业网络。原图版权归作者，论文 CC BY 4.0。

flowchart LR
  I[商品embedding + 位置] --> A[商品间自注意力]
  A --> C[拼接上下文 + LN/FFN/LN]
  C --> H[门店转化/条件商品购买/数量头]
  P[真实输入价格] --> S[概率 × 数量 × 价格求和]
  H --> S
  S --> R[加有符号残差]
  X[上下文] --> R
  R --> G[逐样本门控融合]
  U[外部通用回归输出] --> G

核心公式¶

按正文 Eqs.2--4，令 e_x 为上下文拼接向量。商品注意力不预先读取上下文，拼接后的通道宽度是 d_item+d_context：

\[ H^0=E_I+P,\quad H'=\operatorname{LN}([H^0+\operatorname{MHSA}(H^0),e_x]),\quad H^1=\operatorname{LN}(H'+\operatorname{FFN}(H')). \]

Eqs.5--8 使用 sigmoid 条件购买概率和 softplus 数量。商品购买不是互斥分类，不能把 sigmoid 换成归一化 softmax：

\[ \hat y_{pll}=\hat p_{cvt}\sum_k \hat p_{item,k}\hat q_k\operatorname{Price}_k. \]

Eqs.10--11 的残差可正可负，原文没有输出非负截断。门控权重可逐样本变化：

\[ \hat y_{deal}=\hat y_{pll}+\mathcal T_{res}(e_x),\qquad \hat y_{final}=\alpha(e_x)\hat y_{deal}+[1-\alpha(e_x)]\hat y_{regression}. \]

论文 Eq.12 另有 Huber 回归、门店/商品 BCE 和数量任务。掩码与训练采样没有在本地替作者补造：本组件没有实现完整多任务训练配方，不把对输出平方求导的诊断称为训练复现。

论文离线与线上效果¶

正文 Sections4.1--4.2 使用美团私有工业日志；Table1 报告 HGE XAUC 0.8158、PCOC 0.9858。A/A核验后进行13天 A/B，RPS +1.42%（95%CI：+0.80%到+2.05%）；论文还称已部署至主流量，满足工业收录门槛。它们是完整模型的作者结果，不是本地机制检查结果。数据量文字为712M总记录、683M训练/29M测试；论文同时称最后5%测试，这些数字不完全一致，保留原文而不伪造公开划分。

本地复现与边界¶

PYTHONPATH=src python -c 'from auto_research.reproductions.hge import diagnostic; print(diagnostic(42))'

HierarchicalGTV 接受外部商品 embedding、位置向量、上下文、价格和通用回归输出，不收答案/成交标签。以小尺寸可微模块验证：独立逐商品 Eq.5 参考、上下文不影响前置 MHSA、位置/价格/残差移除负控、融合两端点、商品概率之和可大于1、所有参数和输入的有限非零梯度。种子为42/43/44；指标只是合成机制误差和梯度，不是推荐准确率、收入或校准效果。

小模块显式使用 GELU FFN、线性输出头，不是论文完整 [1024,512,256] Dice 预测塔；无 DIN/DCN、特征工程、负采样、712M日志训练或线上流量。本地遵循正文 Eqs.2--11，不把图中简化布局作为另一个未披露模型配置。

完整配置需要 K=10、HSAE256、batch6000 和683M私有记录训练，并做线上13天 A/B；论文未给具体设备/总GPU小时，本地不编造。相对单张 A100/A30 或 Mac 的短时预算，成本过高，不复现（审查 DONE），不下载模型/数据、不自动重试，不加入能力排行榜或 Evolve。