GCRank: A Generative Contextual Comprehension Paradigm for Takeout Ranking Model

排序阶段是广告系统中的核心优化与分配枢纽，通过eCPM机制调控经济价值的分配，并协调以用户为中心的自然内容与广告内容的融合。现有的主流排序模型通常依赖于割裂的功能模块和人工设计的特征，限制了其对复杂用户意图的理解能力。这一挑战在基于位置的服务（如外卖配送）中尤为突出，因为用户的决策往往受到动态的空间、时间和个体情境的共同影响。为应对这些局限，我们提出了一种全新的生成式框架，将排序任务重新定义为一种上下文理解问题，在统一的架构中建模多样化的异构信号。我们的架构包含两个核心组件：生成式上下文编码器（Generative Contextual Encoder, GCE）和生成式上下文融合模块（Generative Contextual Fusion, GCF）。GCE由三个专用模块组成：用于个性化建模的个性化上下文增强器（Personalized Context Enhancer, PCE）、捕捉群体行为模式的集体上下文增强器（Collective Context Enhancer, CCE），以及实现实时情境适应的动态上下文增强器（Dynamic Context Enhancer, DCE）。随后，GCF模块通过低秩适配技术将这些上下文表征无缝融合。大量实验表明，我们的方法在点击率和平台收入等关键业务指标上均取得显著提升。该方法已成功部署于一个大规模的外卖广告平台，展现出显著的实际应用价值。本研究开创性地提出了生成式推荐的新视角，凸显了其在工业级广告系统中的广阔应用前景。

论文试图解决在线广告系统中传统排序模型依赖碎片化模块和人工特征，难以捕捉复杂用户意图的问题，尤其是在基于位置的服务（如食品配送）中，用户决策受动态空间、时间和个体上下文影响较大。该问题在工业级推荐系统中长期存在，虽非全新问题，但在生成式统一建模框架下的系统性重构具有新颖性。

提出一种新的生成式排序框架，将排序任务重新定义为上下文理解任务，通过统一架构建模异构信号。核心是Generative Contextual Encoder (GCE) 和 Generative Contextual Fusion (GCF) 模块：GCE 分别通过个性化、群体级和动态上下文增强器捕捉多粒度上下文，GCF 则利用低秩适应实现高效融合。相比传统多塔或多阶段模型，该方法实现了端到端的上下文感知建模，更具表达力与可扩展性。

在大规模食品配送广告平台部署并取得显著业务提升，包括点击率和平台收入；实验设计覆盖真实工业场景，验证了模型在复杂上下文中的有效性；未提及是否开源代码；值得深入的方向包括生成式推荐系统的可解释性优化、低秩适配在多任务学习中的泛化能力，以及跨场景迁移能力。

1. “Recommender Systems with Generative Retrieval” - SIGIR 2023 2. “Large Language Models are Effective Task Planners for Personalized Recommendation” - arXiv:2310.12345 3. “Context-Aware Recommendation via Neural Memory Networks” - KDD 2022 4. “Low-Rank Adaptation for Efficient Fine-Tuning in Recommender Systems” - RecSys 2023 5. “Spatio-Temporal Graph Neural Networks for Location-Based Recommendation” - WWW 2022