778
美團生活服務個性化推薦實踐
張彬（美團推薦算法高級研發工程師）:2012年3月碩士畢業於北京郵電大學，有過兩年的互聯網廣告工作經曆，期間先後參與過user profile挖掘、實時競價算法、ctr預估等多個核心項目，對RTB、DSP、DMP中的相關技術有較好的理解和認識，積累了豐富的經驗。2013年初加入美團網，主要負責美團個性化推薦係統的構建和優化，通過完善召回算法和引入重排序模型等大幅度提高了係統的轉化率。
美團作為全國領的本地生活服務平台，在本地生活服務推薦領域已經進行了一些探索，這個分享主要是對這些探索的一些總結。我們看到本地生活服務領域的推薦需要重度使用傳統的推薦算法，同時也存在很強的特色。例如，在本地生活服務領域，商戶的地理位置對用戶的決策影響很大，針對這點我們做了大量基礎工作。下麵我們一同看下美團是如何實現個性化推薦的。
一、推薦美團的原因
1.活躍用戶過億，移動端交易占80%以上。
圖1.美團移動交易占比逐年變化樹狀圖
2.推薦方式：
◎推薦產品：10+推薦產品，每天服務 30M+ 用戶
◎推薦形式：User2Items、Item2Items、Personal push、Others
◎推薦實體：
圖2.美團推薦實體選用
◎推薦平台：Mobile、PC
◎其他方式：購買完成，評價完成，搜索無結果，附近團購，相關團購
圖3.美團其他推薦方式
二、美團如今所麵臨的問題
1、用戶購買與消費的空間距離很小
圖4.分品類持券80%距離
2、用戶購買與消費的時間差很短
圖5.分品類持券時長
3、用戶場景時刻在變化
如：地理位置不斷變化，用戶需求隨位置而變，推薦的內容要適配這種變化等
4、用戶行為稀疏，粘性不夠強
相鄰兩次訪問的時間間隔長，新用戶流失比例高，生命周期偏短
5、數據多，用戶請求量大
每天要處理的數據達到T級別，每天千萬級的用戶，上億次請求
三、應對方案
針對上述諸多麵臨的問題，可采取如下等方案進行應對，如：強化地理位置特征；提高算法實時性；算法融合，個性化push；框架優化等。
1、地理位置
（1）對於地理位置的維度，可以通過實時地理位置、常去地理位置、工作地、居住地、消費地等位置信息進行確認。
（2）地理位置直接觸發
離線：挖掘區域消費優質deal和區域購買優質deal
圖6.地理位置觸發示意
在線：獲取用戶的地理位置信息，對區域deal列表進行加
（3）根據用戶的地理位置軌跡計算用戶相似度，與協同的用戶相似度疊加權
算法示意：
User1：geo1:count1; geo2:count2; geo3:count3 …
User2：geo1’:count1’; geo2’:count2’; geo3’:count3’ …
圖7.算法示意地理位置信息
（4）基於消費poi的相似度計算
Deal中包含的地理位置信息較弱
Poi同時包含了用戶的偏好與商圈傾向
圖8.poi的相似度計算圖示
（5）作為重排序模型的特征
用戶實時地理位置與deal所在poi的最近距離
用戶常去地理位置與deal所在poi的最近距離
用戶消費地理位置與deal所在poi的最近距離
2、實時推薦
對於實時推薦由於用戶場景經常變化，需求隨之而變；離線計算好結果的推薦方式適應性差；每次請求都要實時計算。
（1）實時數據流
圖9.實時行為：搜索、篩選、收藏、瀏覽、下單
①算法使用新的用戶行為數據進行推薦
未轉化行為實時反饋至推薦結果
圖10.實時數據流程圖
②算法準實時更新
Itembased cf 小時級更新
看了又看：6%+ 提升
Userbased cf 準實時更新
增量計算
4小時更新一次
（2）實時rerank
◎子算法計算出來的權重考慮的因素太少
◎不同子算法的權重不具有可比性
◎模型選擇
線性、非線性結合
◎特征
deal維度的特征
user維度的特征
user、deal的交叉特征
距離特征
◎在線特征抽取，模型實時計算
在線學習算法FTRL
（3）算法融合&push
①算法融合包括：
加權型：對各個算法產生的候選集按照權重進行加權
分級型：優先采用效果好的算法，再使用效果次好的算法，依此類推
調製型：不同的算法按照不同的比例產生一定量的候選集組成總的候選集
過濾型：當前的算法對前一級算法產生的候選集進行過濾，依此類推，候選集被逐級過濾，
最終產生一個小而精的候選集合
②個性化push
用戶相鄰兩次訪問間隔長
觸及更多的用戶，提升日活用戶數
不能過度打擾用戶
最初的做法：用戶拉取；Push時機不可調；係統壓力大；不能實時推薦
改為push以後：根據用戶的曆史聯網時間確定push發送時機，根據用戶的實時定位發送，
發出率提高24%，打開率提高21%，綜合轉化率提高94%
（4）框架優化
圖11.框架優化示意圖
圖12.海量數據處理示意圖
隨著日益增長的用戶請求，將業務進行拆分，較重的業務獨立出來；采用多算法並行；建立統一數據模型，減少冗餘請求。
運用觸發層與排序層分離；模型訓練並行化；參數實時加載，支持快速調參達到快速的效果迭代。
整個優化方案將地理位置因素的引入：解決用戶冷啟動和稀疏性，提高推薦精度；
將候選集進行融合：提高了推薦的覆蓋度、多樣性；引入重排序模型：解決了候選集增加以後deal之間排列順序的問題。我們爭取以數據為基礎，用算法去雕琢，發現問題並進行修正，運用良好的基礎架構，高效的算法迭代，發揮團隊的力量。
PPT https://club.alibabatech.org/resource_detail.htm?topicId=186
最後更新：2017-04-01 13:38:50