KDD顶会录用率仅15%~20%，美团8篇论文如何突围入选？

KDD（ACM SIGKDD Conference on Knowledge Discovery and Data Mining）是数据挖掘与知识发现领域最具影响力的国际顶级学术会议，以严格的论文录用标准和深厚的学术影响力著称，论文录用率通常在15%~20%左右，属于计算机领域的CCF-A类顶级会议。 本文精选了美团技术团队被KDD 2026收录的8篇论文进行分享，覆盖推荐大模型、生成与奖励建模框架、智能体搜索、Transformer框架、元泛化框架等技术领域。此外，大众点评技术部还荣获了2026 KDD Cup复杂数据分析Data Agents国际竞赛的冠军和季军，本文将一并介绍团队比赛思路与解题策略。 以下为8篇入选论文的简介： **1. 推荐大模型：MTFM** 工业推荐系统通常涉及多个场景，而现有的跨域（CDR）和多场景（MSR）方法往往需要大量资源且要求严格的输入对齐，限制了其可扩展性。该论文提出MTFM（Meituan Foundation Model for Recommendation）——一种基于Transformer的框架，旨在解决上述挑战。MTFM不预先对齐输入，而是将跨域数据转换为异质Token，以无对齐方式捕捉多场景知识。为提升训练效率，MTFM引入多场景用户级样本聚合机制，显著减少总实例数量，大幅提升训练吞吐量；同时融合Grouped-Query Attention和定制化Hybrid Target Attention，有效降低内存占用和计算复杂度。此外，论文还实现了多项系统级优化，如kernel融合和消除CPU-GPU阻塞，进一步提升训练和推理吞吐。在外卖等场景的离在线实验中，MTFM均验证了有效性——通过扩展模型容量和多场景训练数据可实现显著的性能提升。基于MTFM，团队构建了统一基座推荐大模型，服务多个业务主场景，替换各自的独立精排模型，并已完成全量上线。 **2. 生成与奖励建模框架：CDRRM** 该论文提出CDRRM——一个对比驱动的评分准则生成与奖励建模框架，旨在提升大语言模型对齐中奖励模型的可靠性、可解释性与数据效率。传统奖励模型是“黑箱”且依赖昂贵标注，现有准则方法存在冗余与偏见。CDRRM采用“对比-聚合”流程：先对比好/差回答定位关键差异，再聚合为简洁的任务相关准则，指导评判模型。实验表明，CDRRM在三个基准上达到最先进水平，缓解话痨、位置等偏见，且仅用3千样本让未微调模型超越全量微调基线，兼具高效与可解释性。 **3. 智能体搜索：LocalSearchBench** 该论文针对本地生活服务领域AI搜索的研究空白，构建LocalSearchBench评测基准。该基准涵盖国内9座城市、6大服务品类，包含900道多跳问答任务，并配套交互环境LocalPlayground与商户检索工具LocalRAG。实验测评16款主流大语言推理模型后发现，当前模型在此类任务中表现不佳，普遍存在信息完整性、可信度不足等问题。研究还剖析了模型工具调用、多跳推理等典型缺陷，为本地生活服务场景下智能体搜索的模型训练和基准测试提供了重要支撑。 **4. 自动机制拍卖：JTransNet** 针对联合广告拍卖场景中算法无法同时满足匿名性和确定性分配的问题，该论文提出JTransNet模型。匿名性要求拍卖结果仅依赖于竞标价值，而与参与者身份和顺序无关；确定性分配则保证同样输入下分配结果唯一。JTransNet通过引入匿名性和确定性分配机制，结合可微分的NeuralSort排序方法，实现了端到端数据驱动的AMD自动化模型拍卖算法。该算法很好地解决了联合拍卖场景下多方出资的流量分配和扣费问题，在离线和在线实验中均显著提升了平台广告收益。JTransNet已在美团零售核心业务场景全量上线，促进了广告业务流量售卖的公平性与收益提升，也为工业界大规模自动化模型拍卖机制算法设计提供了有效解决方案。 **5. 即时物流ETA预估：UME** 在即时物流场景中，提单页面的预估到达时间（checkout page ETA）对提升用户满意度、优化调度策略和控制运营成本至关重要。在美团Keeta等国际化即时配送平台上，存在显著的跨域异质性，多域建模已成为核心需求。现有方法面临三大挑战：一是无法泛化到完全未见过的新市场域，无法在冷启动阶段实现零样本预测；二是跨域特征空间不一致，新市场域因缺乏历史数据积累导致离线统计特征结构性缺失；三是成熟域与冷启动域往往需要分别建模，阻碍知识迁移并增加维护成本。为此，该论文提出UME（Unified Meta-generalization framework for ETA），一个面向ETA预测的统一元泛化框架，有效应对上述挑战。 **6至8篇论文** 除上述论文外，美团技术团队在KDD 2026的入选论文还涵盖Transformer框架优化、元泛化框架应用等领域。由于原文未提供详细简介，此处仅说明其研究方向与覆盖范围，完整内容可查阅论文原文。 **KDD Cup 2026竞赛：冠亚军双丰收** 大众点评技术部在2026 KDD Cup复杂数据分析Data Agents国际竞赛中荣获冠军和季军。竞赛聚焦复杂数据分析场景下的智能体（Agent）技术，要求参赛团队构建能够理解数据、规划分析路径并执行查询的智能系统。团队在比赛中验证了多智能体协作、工具调用优化以及领域知识注入等策略的有效性，相关经验已沉淀为可复用的方法论，为后续业务场景中的智能数据分析提供了参考。 以上内容希望对大家有所帮助或启发。