小红书精读：Hierarchical GTV Estimation: Bridging the Gap between Container-Level Ranking and Item-Level Conversion

美团这篇GTV预估，思路有点反常识

各位算法同学们，排序单元是「店」，成交单元却是「店里的某个团购」——这个粒度错位几乎每家O2O和直播电商都在踩，美团这篇论文就是正面来拆它的。

📄 Hierarchical GTV Estimation: Bridging the Gap between Container-Level Ranking and Item-Level Conversion

🔧 用Transformer建模「容器里的动态商品集合」：把每家店top-K曝光商品做成带位置编码的序列，先做自注意力学基础表示，再把用户、POI、上下文拼进去过FFN。作者点明了这个拼接时机是个权衡：太早注入会冲淡商品之间的竞争信号，完全不注入又无法区分不同user-poi-query组合的竞争差异，所以放在MHSA之后。

🧩 不直接回归GTV，而是拆成「POI是否转化 × Σ(单品购买概率 × 件数 × 单价)」，把单价当确定值。目的是压住单个样本的极端波动：用户在一家人均几千的齿科店里顺手买了张几十块的洗牙券，这种label直接喂给回归模型会很干扰训练。

⚙️ 单品级转化信号太稀疏，所以加了一个残差修正与融合模块：有商品交互行为的样本，聚合单品预测拿细粒度信号；没有交互的样本退回容器级通用回归塔，再用残差修正对齐两边量纲。

📊 离线XAUC +0.63pp，PCOC +19.37pp。

📈 线上A/B的RPS +1.42%。

✅ 已全量上线美团主流量。

做容器-商品两层结构的同学可以跟一下。要盯两个点：一是PLL里件数和单价的口径一旦随业务活动漂移，三个子任务的标签就得同步重定义，否则乘积项会系统性偏移；二是RCEF对无交互样本的兜底比例，冷启场景下这个分支占比升高时，模型实际退化回容器级回归，离线指标未必能反映出来。和「容器当超商品取均价」这类baseline比，它的增益不算大，但能落主流量，说明收益是稳的。

原文：AlphaXiv