沙龙年货-ai先行者

2饿了么外卖业务形态饿了么搜索平台的目标与定位外卖的特殊外卖算法中的市场机制外卖算法中的调控饿了么外卖搜索业务形态搜索首页、金刚、

会场发现页、订单页饿了么、支付宝、手淘小程序/H5…美食、商超、鲜花、生鲜、早餐、正餐、下午茶、夜宵流量多平台多品类多场景2018

AI先行者3大会AI外卖平台的基本业务流程浏览点击进店选择、加购物车下单即时配送收货用餐评价2018

AI先行者4大会AI饿了么外卖业务形态5饿了么搜索平台的目标与定位外卖的特殊外卖算法中的市场机制外卖算法中的调控2018

AI先行者6大会外卖搜索平台的目标与定位搜索

体验提供决策价值用户与订单触达提升

效率移动端交易80%以上流量变现、交易价值、生态平衡意图理解精准匹配场景发现智能排序搜索

平台流量分配中枢用户/流量商家/供给识别有效供给扶持优质供给驱动商家成长深耕用户体验带来更多用户回访与复购7饿了么外卖业务形态饿了么搜索平台的目标与定位外卖的特殊外卖算法中的市场机制外卖算法中的调控外卖 的特殊算法优化链路长浏览->点击->下单->即时配送->评价时间敏感决策效率——快速帮助用户决策等待时间——端到端时间尽可能短峰值效应明显高QPS；用户行为变化快；即时资源约束餐厅资源、人力；配送运力；区域化不同区域流量、供给、市场状态都不同VS2018

AI先行者8大会AI外卖 算法简化分层模型产品/业务策略智能化Rank精准识别/挖掘市场机制效率最大化调控长期目标生态平衡2018

AI先行者9大会饿了么外卖业务形态10饿了么搜索平台的目标与定位外卖的特殊外卖算法中的市场机制外卖算法中的调控外卖算法中的市场机制市场机制与算法目标：••基于现有流量及供给，通过深入挖掘、精准匹配及智能化排序机制实现用户体验与平台效率最大化2018

AI先行者11大会AI•Action：重建现有搜索、

技术体系算法从人工规则到人工智能算法目标路径：转化率—>访购率—>毛GMV—>净GMV—>净GMV+UE算法目标拆解供给转化履约智能化搜索 平台精准优化GMV=DAU

*

CTR

*

CVR

*客单价UE= DAU

*

CTR *

CVR

*单均UE满意度=决策效率or就餐体验or等待时间搜索

是转化的

环节：浏览—>点击—>下单—>配送2018

AI先行者12大会系统数据&算法架构服务实时数据查询理解SparkTensorFlowHadoop场景判断Storm产品/业务层算法/模型层数据/特征层EKVRank特征加载&模型排序点击率预估、转化率预估、客单价预估、满意度预估Flume商户特征基础设施层特征服务用户特征上下文特征交叉组合特征KafkaGBDT+FTRL

FM

Wide

&Deep

Deep

FM首页会场金刚

搜索产品/业务调控策略2018

AI先行者13大会AIRank模型升级路线人工规则与策略商户少用户行为单一迭代慢线性模型LR大量人工特征工程模型简单结果可控性强非线性模型及模型融合GBDT/GBDT+LR等分场景、分入口、分时段等多步模型深度学习与 学习Xgboost+FTRLWide&DeepDeepFM01020304复杂度规则—>线性—>非线性—>融合模型/深度模型时效性天级—>时段级—>小时级—>流式更新优化目标转化率(1)—>转化率+GMV(2)—>GMV+用户整体体验(3)2018

AI先行者14大会AI深度学习——Wide&Deep模型在排序上的应用用户稠密特征商户稠密特征用户稀疏特征线下训练商户稀疏特征线下训练FCembedding

embeddingFC2018

AI先行者15大会AIsigmoidGBDT叶子节点商户,用户,上下文稀疏特征concatconcat输入层全连接层输出层Deep

部分：4隐层Wide

部分2018

AI先行者大会AIPioneer16深度学习——DeepFM模型在排序上的应用稠密特征分桶稀疏特征GBDT

click

leafGBDT

order

leafFCFCsigmoidconcat输入层全连接层输出层concatEmbeddingFM层64128256学 外卖 的应用FTRL算法伪代码实现：Why用户行为变化快，决策周期短商家经营、运力、天气等因素随时变化业界常用算法：FTRL：可以产生稀疏解收敛速度很好支持并行化处理，可以训练大规模模型工程实现简单参数迭代：2018

AI先行者17大会AI学习与实时引擎模型参数模型校验训练模型FRTL实时效果引擎业务日志用户行为日志排序引擎模型加载版本管理特征处理实时样本生成模型训练线上排序加载历史模型模型实时样本流定时更新日志收集2018

AI先行者18大会AI学

Rank的应用FTRL点击模型GBDT下单模型GBDT人工特征实时样本流GBDT离线训练……排序服务实时计算引擎、点击、下单日志关联及采样2018

AI先行者

会AI技术升级路线数据升级完整的搜索

数据体系实时数据通路特征升级全业务链路覆盖实时化模型升级从规则到深度学习多模型融合/

学习业务理解升级紧随平台业务目标变化兼顾平台流量生态2018

AI先行者20大会AI智能化搜索——从人工规则到机器学习21饿了么外卖业务形态饿了么搜索平台的目标与定位外卖的特殊外卖算法中的市场机制外卖算法中的调控外卖 算法中的调控用户商家/商品偏好VS总体满意度+探索成本自然流量效率Vs商家成长、线下平台短期收益VS长期生态平衡调控

与平台生态：效率最大化之后的流量再分配短期目标与长期目标兼顾2018

AI先行者22大会AI外卖 算法中的调控分城市、分区域配置优化目标GMV/CVR/UE等线下：拉新、破独等满意度模型（ST）多模型融合区域化配置优化目标Explore&Exploit线下业务扶持新店培养计划用户 边界探索与拓展，防止过度个性化长短期目标平衡短期GMV目标+复购率boost收入vs

平台转化流量驱动外卖商家提升，

改善经营水平调控：效率最大化之后的流量再分配，兼顾长期目标与流量生态转化率模型（GMV/CVR）2018

AI先行者23大会AI外卖 调控

——长短期目标平衡新用户流失用户激活老用户流失用户不再和留存用户持续和发生用户流失原因:对商品满意，但对服务或配送不满意商家不够丰富or

过窄力度不足••平衡策略：模型融合：转化模型(当下转化率/GMV)+满意度模型（用户整体体验）复购率boost：流量重新分配，尽量向高复购率商户倾斜，促进回访和复购新鲜感：分配一定比例流量E&E2018

AI先行者24大会AI外卖 调控

——区域化定制目标与流量分配各城市、区域发展阶段不同，流量供给、市场竞争格局不一，需要不同的目标算法目标可配置：GMV/CVR/UE等流量扶持扶持比例及具体策略可配置2018

AI先行者25大会AI外卖 调控

——E&E场景：新店成长扶持区域化业务流量扶持用户新鲜感策略策略：分配一定比例流量、位置锁定位-->轮播策略

-->Explore

&Exploit常用MAB算法：Thompson

samplingEpsilon-GreedyUCB、LinUCB2018

AI先行者26大会AI外卖 下的E&E及策略思考流量扶持和流量效率之间的平衡1.

Explore冷启动流量扶持，流量质量探索策略：Thompson

Sampling，简洁有效，且能根据不同业务场景使用适合的beta分布参数Exploit更高的转化率，提升流量效率及提供更好的用户体验策略：通过模型预估结合用户、商家、场景、上下文下的最大收益3.

各场景探