美团生活服务个性化推荐实践课件

美团生活服务个性化推荐实践美团网张彬Idealist推荐@美团面临的问题应对方案总结推荐@美团活跃用户过亿，移动端交易占80%以上推荐@美团其他：购买完成，评价完成，搜索无结果，附近团购，相关团购面临的问题用户购买与消费的空间距离很小分品类持券80%距离关键词：本地化面临的问题用户购买与消费的时间差很短分品类持券时长面临的问题用户行为稀疏，粘性不够强相邻两次访问的时间间隔长新用户流失比例高，生命周期偏短面临的问题数据多，用户请求量大每天要处理的数据达到T级别每天千万级的用户，上亿次请求应对方案强化地理位置特征提高算法实时性算法融合，个性化push框架优化地理位置离线：挖掘区域消费优质deal和区域购买优质deal在线：获取用户的地理位置信息，对区域deal列表进行加权地理位置直接触发地理位置根据用户的地理位置轨迹计算用户相似度，与协同的用户相似度叠加User1：geo1:count1;geo2:count2;geo3:count3

…User2：geo1’:count1’;geo2’:count2’;geo3’:count3’

…地理位置基于消费poi的相似度计算Deal中包含的地理位置信息较弱Poi同时包含了用户的偏好与商圈倾向实时推荐用户场景经常变化，需求随之而变离线计算好结果的推荐方式适应性差每次请求都要实时计算实时推荐实时数据流实时行为：搜索、筛选、收藏、浏览、下单实时推荐实时数据流算法使用新的用户行为数据进行推荐未转化行为实时反馈至推荐结果实时推荐算法准实时更新Itembased

cf小时级更新

看了又看：6%+提升Userbased

cf准实时更新增量计算4小时更新一次实时推荐实时rerank子算法计算出来的权重考虑的因素太少不同子算法的权重不具有可比性实时推荐实时rerank模型选择线性、非线性结合特征 deal维度的特征user维度的特征user、deal的交叉特征距离特征算法融合&push单一算法覆盖有限，融合可以提高覆盖度从多个维度触发，增加多样性算法融合算法融合&push算法融合加权型：对各个算法产生的候选集按照权重进行加权分级型：优先采用效果好的算法，再使用效果次好的算法，依此类推调制型：不同的算法按照不同的比例产生一定量的候选集组成总的候选集过滤型：当前的算法对前一级算法产生的候选集进行过滤，依此类推，候选集被逐级过滤，最终产生一个小而精的候选集合算法融合&push最初的做法：用户拉取Push时机不可调系统压力大不能实时推荐个性化push：时机优化算法融合&push改为push以后：根据用户的历史联网时间确定push发送时机根据用户的实时定位发送发出率提高24%，打开率提高21%，综合转化率提高94%

个性化push：时机优化框架优化行为类别行为详情主动行为数据搜索、筛选、点击、收藏、下单、支付、评分UGC文本评价、上传图片负反馈数据左滑删除、取消收藏、取消订单、退款、负评、低评用户画像用户人口属性、美团DNA、品类偏好、消费水平、工作地与居住地 数据框架优化海量数据的处理框架优化日益增长的用户请求将业务进行拆分，较重的业务独立出来多算法并行统一数据模型，减少冗余请求框架优化快速的效果迭代触发层与排序层分离模型训练并行化参数实时加载，支持快速调参总结地理位置因素的引入：解决用户冷启动和稀疏性，提高推荐精度将候选集进行融合：提高了推荐的覆盖度、多样性引入重排序模型：解决了候选集增加以后deal之间排列顺序的问题以数据为基础，用算法去雕琢，发现问题并进行修正良好的基础架构，