机器学习在美团：吃喝玩乐中的大数据与云计算

1、机器学习美团 吃喝玩乐中的算法问题O2O行业及美美团简介介机器学习习在用户户端的应应用机器学习习在商户户端的应应用算法应用用八大“坑”概要背景算法应用用总结什么是O2O？O2O(OnlinetoOine)=本地服务务(LBS)+线上连接接通过信息息流动，减少物物理流动动平台用户需求求信息结结构化来源：TalkingData及品途网网2014O2O移动应用用行业报报告O2O行业应应用图图谱来源：TalkingData及品途网网2014O2O移动应用用行业报报告外卖打车电影票频度门票酒店机票租房挂号美业租车拼车家政垂直vs.水平（平台）什么样的的领域有有机会？用户获取取成本vs.用户价值渗透率团购

2、买房微信刷牙AllThatIsSolidMeltsintoAir.KarlMarx猫眼电影影 国内最大大的电影分销商商 美团外卖卖 国内最大大的外卖平台美团简介介美团团购购 国内最大大的本地地生活服务电电商平台台 美团酒店店 国内第二二大酒店店分销商消费频度度vs行业深度度O2Ovs网络电商商共同：双双边市场场差异：LocaEonbased，消费距离离受限O2O的特点市场规模模大、增增长速度度快懒人经济济：质优优价廉低价格高品质低成本高效率低毛利高科技2000100080060040014001200201020112012201320142015e美团网交交易额（亿元）2014年12月：美团

3、团网拥有有1亿多活跃跃移动用用户，移动端贡贡献90%的交易额额807060504030201002011201220132014美团移动动交易占占比移动化day:1day:3-3.5day:5-100hr3hr6hr9hr12hr15hr18hr21hr50.00%40.00%30.00%20.00%10.00%0.00%电影酒店美发/美容/美体美食摄影写真真生活服务务休闲娱乐乐运动健身身所有品类类分品类持持券时长60.00%40003500300025002000150010005000北广天福杭无合成京州津州州锡肥都美容美发发休闲娱乐乐生活服务务运动健身身摄影写真真电影酒店美食场景化、即时

4、化化分品类持持券80%距离4500美团持券券时长长及消费费距离用户个性化场景化即时化O2O平台商户动态触达达用户提供丰富富产品平台获取用户户/商户匹配供给给需求传统模型型：边际际收益递递减平台模型型：双边边市场的的网络效效应=边际收益益递增=平台价价值平台：用户端端吸引访问/再访自然流量量站外广告告主动推送送促成购买信息聚合合用户行为为引导运营拉新新提升多次访购搜索、浏浏览主动动引导个性化推推荐跨品类转转新平台：商商户端商机发现现销售拜访访路线优化化商家入住住及上单预测可能能入住商商户自动写单单提高上上单效率率运营风控防刷刷单销量预估估O2O及美团介介绍机器学习习在用户户端的应应用机器学习习在

5、商户户端的应应用算法应用用八大“坑”概要背景算法应用用总结运营拉新新推送引导导流量转化化用户个性化场景化即时化机器学习习美团团销量预估估电影票房房预估商户动态触达达用户提供丰富富产品平台获取用户户/商户匹配供给给需求用户端端：运营营拉新背景：首购-留存，吸吸引已注注册用户户完成首首购目标：少花钱钱，多办办事用户端端：运营营拉新方法：新用户户画像SVM分类准确率：75%召回率：68%效果拉新单位位成本下下降35%单位用户户营销成成本=总花销/总新客数数总开支节节省30%选择对象象选择准则优化用户端端：推送送引导背景：对不活活跃用户户发个性性化推送送消息，提升访访问及购购买目标：提高用用户转化化，

6、减少少打扰用用户方法：效果：有效降降低了对对用户的的打扰。发出消息息目标：发发出率固定时间间拉取改改为灵活推推送发送时机机优化，考虑用户户的历史史联网时间间，当前前位置发出率提提高100%+打开消息息目标：打打开率动态文案案(todo)打开率提提高21%浏览/购买目标：转转化率类似推荐荐的优化方式式，提高访购购率综合转化化率提高高94%用户端端：流量量转化搜索浏览推荐意图强度流量规模用户偏好好用户端端：流量量转化场景位置快速交互互 首页推荐荐 个性化数数据同义词挖挖掘专名识别别 新词识别别 user profile挖掘 deal/poiprofile 挖挖掘query/deal 的的topic

7、model 评估框架架 模型训练练 数据清洗洗 特征抽取取 数据流推荐和搜搜索框架架的统一搜索推荐荐平台Poil化列表表浏览人工规则则干预CTRmodel相关性模模型QueryRetrieval通用数据据 Query补全全 排序机制制 Actionmodel业务规则则 UserRetrieval关系数据据 应用层排序层模型层准入层触发层数据层FlumeAgentImpressionLogOrder/ClickLogDealDBControlServiceModel1Model2APIOnlinetrainfeatureLabeledDataOfflinetrain服务架构构演进featurem

8、onitor 高度可配配置LRSVMAPICommand应用层模型层 选特择征一特化征归ChisquaredStandardTopicModelGBDTMutualInformaEonMinMax分级日志志 模型评估估 基于spark的离线训训练平台台美团搜索索历史查询询词查询补全全结果页搜索系统统实践数据获取取时效性性清洗提高高准确性性基础数据据获取查询引导导同义词挖挖掘团单品类类映射查询分析析系统架构构调整增加吞吐吐量改进协议议架构支撑撑特征工程程LR+GBDT融合效果果重排序实时品类类偏好实时下单单位置模型在线线更新实时化分词/归归一化 查询纠错错 语义扩展展 意图识别别 查询分类类 紧

9、密度计计算Term赋权召回及排序策略略 Querysuggestion相关搜索索 热搜词用户查询询自然语语言化检索基于于字面匹匹配，缺缺乏语义义扩展语义漂移移 查询分析析查询分析析面临的的问题用户意图图多元化化 精确/模模糊查询询 领域多：寻找吃吃喝玩乐乐，购物物，旅游，住宿宿策略类型 及占比 商 家 品 类 商 圈 地 标 酒 店 旅 游 商 品 电 影 复合意图 其 他 改进前 12% 8% - 3% - - - 1% - 76% 改进后 21% 17% 7% 5% 6% 2% 1% 4% 9% 28% 意图识别别 搜索意图图歧义示示例及解解决方案案 找门票还还是酒店店？通过意图图分类，将

10、“旅旅游”意图图的POI排序序提前团单品类类细分品类内差差异对用用户造成成的困扰扰 “咖啡/酒吧/蛋糕”在后台配置为为同一个个类目下下的品类通过文本本分类拆拆分子品品类，或者说打打标签人工定义义体系+SVM学习，构建覆覆盖全面面合理的的品类类类目，更更好满足用户精精确品类类检索的的意图美团频道道筛选groves频道筛选选实践数据清洗洗在线获取取训练所需特征征数据及特特征工程程使用位置置信息引入排序序模型粗排序新单推荐荐使用位置置信息冷启动Additive使用位置置分品类细细化重排序实时品类类偏好实时下单单位置实时特征征更新实时化poi-user特征当前距离离历史距离离最近点击击/下单/支付历史点击击/下单/支付deal特征CTR/CVRCVR折扣力度度是否新单单是否促销销deal-user特征商圈品类价格user特征终端类型型地理位置置消费水平平品类偏好好CPR重排序：特征poi特征#评论数数#有图评论论/优质评论论CTR/CVR/CXRrank AdditiveGroves数值类特特征详情页特特有特征 列表页特特有特征 GBDT LR重排序：框架数据实时时化预测结果果随数据据更新而而变化2小时销销量数据据2小时内内数据预预测用户户实时偏偏好进入列表表页请求求用户地地理位置置，下单单率提升升3%模型天级级更新Onl