1. 问题与动机
Wolt 的问题是同一用户既会回购熟悉店铺，也需要发现新店。历史订单很容易让排序模型偏向复购，而配送业务的候选又受位置、营业状态和配送能力约束，不能直接照搬全库商品推荐。论文将用户分成无历史订单、首次购买某店、重复购买某店三种情况，分别报告 MRR，避免占多数的复购行为掩盖探索质量。其目标是可调节的试新与复购权衡，而非单纯提高一个整体离线指标。
旧系统有餐饮首排、餐饮精排、冷启动和零售四个独立模型，维护成本高，也阻断跨业务行为共享。UVR 用一个序列分类器与下游树模型体系统一这些路径，但仍保留餐饮和零售两种域专用 GBDT，因此“统一系统”不意味着只有一个预测器。对社区 UGC 搜索，类似矛盾是熟悉作者或话题的短期点击，与新作者、新内容的发现之间如何取舍；这是迁移启示，并非论文直接验证的任务。
2. 方法详解
序列分类器采用仅编码器的双向 Transformer，将历史订单按时间排列，只遮蔽最后一个目标订单的店铺和产品线。请求时间、位置和当前业务域在推断时本来已知，故保留；若把目标商品所属的精细产品线提供给模型，就会泄漏答案。每步输入由店铺、产品线、周、星期、小时、H3 网格六类 embedding 和相对目标时间的对数变换拼接，再线性投影。H3 使用分辨率 8，平均面积约 0.74 平方公里，作为共享位置表征。
域条件在两个位置注入：产品线使用餐饮或零售专属 mask，投影后再给目标位置加一个域向量。作者发现单独使用前者会在多层传播中弱化；额外的加法条件比尝试过的 FiLM 调制更简单，后者没有带来收益。V1/V2 为 4 层、4 头、128 维，前馈隐层 160；V3 仍为 4 层，扩到 6 头、192 维和 384 维前馈。注意力屏蔽 padding，却没有因果 mask，目标位置能看到完整历史。
输出层一次预测国家内所有店铺的 logit；请求只抽取实际可配送候选的分数，再作为一个数值特征送入 CatBoost。其他树模型特征包括店铺内容、配送上下文和用户店铺交互。分类器用域内 softmax 交叉熵，标签平滑系数 0.2；试新样本权重大于冷启动，大于复购。这里不是逐候选执行 Transformer，一次请求一次前向即可产生全部候选信号。
训练使用 AdamW，学习率 0.001、权重衰减 0.15，训练批量 256、验证批量 1024；V1/V2 训练 15 轮，在第 4、6、7 轮按 0.1 倍衰减，单张 A10G 上使用 bfloat16，V3 改为 12 轮。每个国家每日训练；绝对订单量没有公开，不能推断样本规模。分类器按用户 90:10 划分，验证集出现训练词表外实体时将相关序列移回训练，因此其验证并不代表真正未见店铺泛化。
树模型使用最近 30 天日志，28 天训练、1 天验证、1 天测试，分类器训练时间提前截断两天，防止其分数包含树模型验证或测试标签。训练仅保留曝光候选作为较难负例，验证测试用完整候选。V2/V3 用 NDCG 模式的 YetiRankPairwise，购买标签高于点击，首次点击高于复购点击，试新会话另外加权。树数上限 500、深度 8、学习率 0.05、叶正则 3.0，50 轮无提升停止。
3. 核心技术贡献
第一项价值是把序列兴趣压成一个可接入现有树模型的特征。分类器捕获时序和跨域行为，树模型处理距离、库存和交互统计等复杂约束。V1 在六国、试新与复购共 12 个格子里，最终树排序器全部胜过单独分类器，支持二者互补。不过论文没有控制其他变量做“去掉序列 logit”的消融，不能把整套系统收益都归给 Transformer。
第二项贡献是显式控制试新偏好。分类器、树模型分别使用样本或会话权重，树模型还调整负例数量，从而得到探索与复购的可选工作点。附录固定分类器，扫描 3 个权重比和每组 50 个负采样设置，共 150 次树模型重训。权重比 1.5 偏复购，2.0 更均衡，3.0 偏试新；增加负样本对数又将结果推向复购。这说明改进来自可测量的目标重分配，而非无条件同时提升所有指标。
第三项是跨域统一及工程控制。餐饮与零售共享按时间交错的订单序列，域条件提供目标业务信息，后端保留不同特征集合的树排序。真正需要复用的是用户理解和训练服务流程，而非强行让每个域用完全相同特征。作者明确承认尚未隔离共享行为的因果贡献，这使跨域效果的解读更可信。
4. 实验结果分析
下表来自正文表 5，三行控制组不同，不能把提升当作同一基线下的横向比较或直接相加。
| 版本与控制 | 新店尝试率变化 | 全局 CVR 变化 |
|---|---|---|
| V1 对旧餐饮系统 | +5.5% | +0.16%，p=0.017 |
| V2 对 V1 | +0.45% | -0.05%，p=0.398 |
| V3 对 V2 加零售旧模型 | 零售 +1.31% | +0.04%，p=0.457 |
试验均按用户 50:50 分组，V1/V2 在十大国家运行两周，V3 在全部运营国家运行三周。新店尝试率达到作者所报 0.05 显著性标准，V2/V3 的全局转化差异不显著，不能写成转化提升。V3 还出现广告收入下降 0.43%；作者认为自然排序超过旧广告栈，但这是作者解释，不是已完成的因果分解。
正文表 4 的离线结果进一步揭示代价。以色列试新 MRR 相对旧生产排序从 V1 的 +19.7% 升到 V2 的 +30.3%，复购却从 +5.0% 变成 -12.5%；德国对应试新 +19.8% 到 +29.0%，复购 -11.4% 到 -27.3%。芬兰 V2 试新 +12.5%、复购 +6.7%，说明不同国家没有统一折衷。作者希望把复购回退限制在 15% 内，但德国没有找到满足条件的设置，不能省略这一失败案例。
这些数字以高流量周日为主，其他日期方向一致；单国多随机种子实验的收益标准差约为平均收益的 10%–30%，因此不宜对单个格子的微小差异做强结论。附录显示复购 MRR 在历史长度约 30 次购买之前上升明显，之后趋平；试新与冷启动对长度不敏感。该结果支持先做合理截断，而不是默认扩展长序列就有收益，但正文未给出每个长度点的数表。
5. 局限与未来方向
作者列出三项直接限制：历史订单最多滞后一天，没有实时行为；店铺预测头只能处理训练见过的店铺，新店依赖树模型内容特征；只使用购买序列，尚未充分纳入点击、浏览和停留时长。每日重训主要应对新店词表增长，而不是已证明每天都会发生模型质量衰减。
作者另指出旧控制包含广告位置与去重后处理，因此严格模型对模型比较可能缩小差距；V3 的零售增益可能来自增加序列模型本身，而不一定是餐饮迁移。缺少按域隔离的同架构对照，以及去掉分类器分数的受控消融，均列为待补实验。本文额外判断是：仅购买会话训练会改变曝光分布，对低频 UGC 读者不应直接套用；需要单独检查无转化流量。
6. 工业实践意义
在已有 GBDT 或多阶段排序的社区平台，优先试验“小型序列编码器加单一分数特征”是可执行路线。训练、验证、测试必须按事件时间隔离，生成序列分数时重建当时历史，不能让后发生点击进入特征。将首次接触内容与重复接触分开看 nDCG、CTR，再用整体点击和留存作护栏；本文线上目标是下单，并不保证社区搜索会出现同样幅度。
工程上每日 Flyte/Kubernetes 任务生成序列并写入在线特征库，CPU 计算分类器，接着执行树排序，整体 p99 约 60 毫秒，包含取特征和序列化。这是 Wolt 特定候选规模下的整体结果，不是可直接复用的单模型延迟预算。UGC 内容词表通常更大且更新更快，照搬全词表线性输出层可能增加成本，需先测候选量和新内容覆盖。
试点应同时比较旧排序、仅树模型、新序列特征三组，并检查新作者曝光是否挤压用户明确偏好的内容。把广告收入下降、复购回退和国家差异作为真实业务权衡纳入评审，才比只引用“试新率提升 5.5%”更有价值。上述试点设计是针对社区搜索的建议，论文自身没有开展该场景实验。
来源：https://arxiv.org/html/2609.16407 ，正文第 3–6 节、表 4–5、附录 A–B。