沈国阳：美团推荐系统整体框架与关键工作

沈国阳表示， 对于推荐系统的效果提高，排序比候选集的贡献要大很多。美团排序的主要工作包括：模型及建模，样本采样及label处理，去除position bias，特征工程，Interleaving的使用，以及Online Learning的尝试等。

以下为分享内容文字整理：

美团推荐产品

沈国阳首先介绍了美团的几个重要的推荐产品：

1. 猜你喜欢：美团最重要的推荐产品，目标是让用户打开美团App的时候，可以最快找到他们想要的团购服务。已经做了2年多，交易额占比从最初的0.7%提高到7~8%。
2. 首页频道推荐：若干频道是固定的，若干频道是根据用户的个人偏好推荐出来的。这个区域为美团app带来40%以上交易额。
3. 今日推荐个性化推送：美团的个性化推送的产品，目的是在用户打开美团App前，就把他们最感兴趣的服务推送给他们，促使用户点击及下单，从而提高用户的活跃度。
4. 品类列表的个性化排序：美团首页的那些品类频道区，点进去的列表的智能排序，也是我们进行个性化优化的重要位置。相对于搜索，这个位置用户的意图不是非常明确，个性化程度较高；但是相对于首页的猜你喜欢，这个位置用户的意图则要强一些，个性化程度稍低一些。

美团推荐系统的目标

美团推荐系统的目标，首先是要帮助用户快速找到所需。推荐系统作为美团C端平台的重要组成部分，其目标就是为消费者快速找到“高品质，低价格”的服务。判断是否实现目标，主要是看消费者看了推荐结果以后的下单转化效果。

另外，美团希望消费者对美团的品牌认知是“吃喝玩乐”的大平台，所以也希望推荐出来的结果包含多个品类的结果，即推荐结果有多样性。

目前，美团的目标还主要集中在下单转化效果，随着下单率效果的大幅度提高，今后会把重心转到多样性。

推荐系统的整体框架

沈国阳接下来介绍了美团提高推荐下单转化效果的实现路径。其推荐系统的整体框架如下：

沈国阳解释说，最顶层显示的是推荐系统对外的服务接口。由于不同展位的输入输出参数差异较大，因此这一层没有做过多的抽象，每个展位有自己特定的接口形式。

接口层会调用abtest配置模块，对接入的流量按照uuid、城市等维度进行分流量的配置。abtest对于推荐系统是很重要的基础模块，美团对这个模块的要求，是可以有友好的配置界面，灵活根据不同不同维度进行分流量配置，并且立即生效，无需重启服务。

Abtest配置模块之下，是推荐候选集的生成，排序和业务处理模块。候选集生成和排序模块，除了针对不同展位有不同逻辑以外，对同一展位的不同策略也有不同的逻辑。abtest模块在配置流量策略的时候，可以根据需要单独配置候选集策略和排序策略。业务规则处理模块，则有统一的处理逻辑，也有每个展位独特的逻辑，而同一展位的不同策略，通常来说在这一层处理逻辑不会有区别。

重新从接口层开始换个方向来看这个框架。在响应请求的同时，会打印一些必要的日志，记录这次请求的一些必要的上下文信息以及用户及item相关的特征信息，以便生成训练数据。这些日志通过flume传输到HDFS上面。除了推荐系统以外的美团App其他后台服务，也会把各自的日志传递给HDFS，以方便后续进行数据挖掘。借助Hadoop、Hive、Spark等平台以及美团自己实现的一些机器学习/推荐通用算法，对原始日志进行处理，从而得到需要的各种数据及模型：包括用户的profile信息，用户之间的相似度，item之间的相似度，后续我们将要重点介绍的地理位置与item之间的关联关系，以及转化率预估模型。

这些数据及模型在刚才介绍的候选集生成模块，排序模块，业务处理模块会被使用到。 

在推荐系统的候选集生成这一块，美团重度使用了传统的user based，item based协同过滤算法。这里面需要注意的是，美团引入了时间衰减的因子，从而使新的行为起的作用大于老的行为，从结果来看，这确实对于效果会有提升。同时，美团尝试了不同的相似度计算方式，发现基于llr（Log-likelihood ratio）的相似度计算比cosine相似度计算的最终效果要好一些。在首页的猜你喜欢这个展位上，美团发现user based算法比item based效果要好很多。原因和user based算法更容易推荐出有一定新颖性的item有关。

美团推荐平台的重要特点

上述传统协同过滤算法，需要在用户行为较丰富的情况下才能奏效。而对于那些行为稀少的用户，需要根据平台的特点进行做好冷启动策略。沈国阳介绍美团平台的几个重要特点如下：

1.  冷启动用户占比高

2. 移动终端占比高

美团的移动终端用户占比和移动终端交易额，都已经超过美团整体交易额的90%。这导致美团用户的使用场景往往是这样的，和朋友约定到哪个shopping mall逛街，逛完了再用美团看看周边有什么饭馆，决定要去哪里吃饭。或者看完一场电影，出来再上美团看看，决定去哪个酒店。

这就引出美团平台交易的另外2个特点。

3. 持券时间短

用户从下单到消费的时间间隔。下图显示的是美团平台上不同类型交易在持券时间上的分布。从中可以看出，电影，美食这样的高频品类的持券时间都非常短，40%的用户在一个小时以内消费。只有像摄影写真，美发这样的低频品类，持券时间会比较长。而美团平台上，美食，电影这种高频品类的交易额占比非常高。

4. 持券距离近

持券距离指的是用户下单地点和消费地点之间的距离。上图纵轴表示对应城市的某个品类的所有交易订单中，持券距离最近的top 80%的交易中的最远的持券距离。可见，大部分城市和品类，top 80%持券距离在2000米以内。

“本地人热单”策略

基于以上特点，美团在用户冷启动上，研发了“本地人热单”策略。如下图所示，就是指一定区域内的用户，浏览或者购买较多的top items。

这里面又有一个问题，这个区域多大范围，怎么定义呢？

美团的目标是，使这个区域足够细，同时又能够使这个区域内的用户行为统计有一定的统计意义。目前使用的是商圈，平均覆盖范围在十几平方公里。

给用户进行推荐时，主要根据用户的实时商圈进行推荐该商圈的本地人热单。但是，由于技术原因或者其他原因，用户的实时位置并不总是能够获取到，或者用户的实时商圈，可推荐的item数量太少。这时候，需要采用其他的替代方案。美团在用户地理位置方面进行了大量挖掘工作。例如，用户周末/平时常去商圈，用户的周末/平时常消费商圈，用户的工作地/居住地附近商圈等，用这些商圈信息，可以根据具体情况，丰富推荐的item。

 不同时间段的用户需求是不一样的，因此每个时间段的本地人热单应该是变化的。然而划分太细的时间段，数据量往往又太稀疏，因此通过把其他时段的数据根据时间相似度加权统计进来，效果又会有进一步的提高。

美团排序的主要工作

 沈国阳还分享了美团排序经验。他表示，对于推荐系统的效果提高，排序比候选集的贡献要大很多。美团在排序方面所做的主要工作如下：

1.  模型及建模

目前美团的推荐系统的排序模型主要是Additive Groves模型，另外也在探索FTRL这样的在线学习模型。AG模型是一种决策树类型的模型，属于非线性模型。这种非线性模型的特点，是一定程度上能够自动进行特征组合的工作，不需要人工进行大量这类工作。

建模方法和传统的ctr预估建模方法一样，是point wise的模型。每一个item对一个用户的每次展示可以作为一个样本，这个item是否被点击或者是否被下单作为标记。美团会为这些样本抽取一些item特征，用户特征，上下文特征，item与用户的交叉特征。

2. 样本采样及label处理

由于我们的最终目标是提高item的下单转化效果，所以我们需要重点采用用户下单行为作为标记。但是如果只用下单行为，又会导致数据较为稀疏，有很大比例的用户很长时间内是没有下单行为的。所以我们还需要使用点击行为作为标记。而对点击行为和下单行为对于训练目标的价值是不一样的，对它们需要做不同的处理。美团尝试了2种方式，在参数取得比较合适的情况下，二者的结果效果都很好。一种方式是提高下单样本的采样比例，比如相对点击样本提高30倍。一种方式是提高标记值。比如下单行为的标记值为30，点击行为的标记值为1。

3.  去除position bias

item在展示列表中的位置，对item的点击概率和下单概率是有非常大影响的，排名越靠前的item，越容易被点击和下单，这就是position bias的含义。在抽取特征和训练模型的时候，就需要很好去除这种position bias。我们在两个地方做这种处理：一个是在计算item的历史ctr和历史cvr的时候，首先要计算出每个位置的历史平均点击率ctr_p，和历史平均下单率cvr_p，然后在计算item的每次点击和下单的时候，都根据这个item被展示的位置，计算为ctr_0/ctr_p及cvr_0/ctr_p；一个是在产生训练样本的时候，把展示位置作为特征放在样本里面，并且在使用模型的时候，把展示位置特征统一置为0。

4.  特征工程

特征工程是排序模型的最重要工作，排序带来的效果提升，大部分是由特征工程带来的。但是提起这部分工作，又会比较枯燥，就是不断地去接触和理解业务数据，试图从中挖掘出和用户转化相关的特征。美团使用的主要特征包括：

• 上下文特征：如时间，地理位置（商圈），天气，温度等。
• item特征：如团购服务的价格，销量，用户评分。这部分特征用得很多，但是过多公开容易引起作弊，所以不详细介绍。
• 用户特征：用户的属性特征，如年龄，性别，婚育状态，品类偏好，价格偏好等。

5.  Interleaving的使用

美团进行策略效果对比所使用的方法是abtest。abtest的好处是能够对多个策略的效果差异给出定量的评估，但是也存在一些问题，比如，如果两个策略的效果差异较小，abtest容易给出波动较大的结果，需要较长时间（一般是一周）才能判断结果，会导致效果迭代速度较慢。为了解决这个问题，美团采用interleaving效果评估方式作为补充。Interleaving方式的好处是所需流量较小，灵敏度较高，一般24小时之内可以给出结论，但是它只能给定性结论而不能给定量结论。Interleaving的基本思想是把两个策略的结果混合在一起，通过统计分析用户选择哪个策略的概率更大。具体列表混合的实现方式有多种。下面介绍比较简单使用的一种，叫Balanced方式。

两种参与对比的策略的列表如图所示，为A列表及B列表。A列表的顺序为a,bcdgh，B列表的顺序为beafgh。Balanced合并方式的A first方式如下：A列表的a，B列表b，A列表的b重复了，顺延到B列表的e，如此循环下去。

采用这种列表混合方式的效果评估方式如下:

统计所有用户对这个列表的下单情况。用户点击的item在A列表排序靠前，则wins（A）++，用户点击的item在B列表排序靠前，则wins（B）++，中间情况则ites（A,B）++。德尔塔ab为正表示A策略优于B策略。

例如，wins(A)=40%, wins(B)=30%,tie=30%，计算结果为5%，意味着A策略比B策略的效果好。

6. Online Learning的尝试

美团还尝试引入Online Learning。沈国阳表示，互联网上的机器学习和传统机器学习存在很重要的区别：互联网上的机器学习面对的是活生生的用户，而用户群体的行为是受很多因素的影响不断变化的，季节因素，天气因素，空气质量，社会潮流，甚至一档电视节目，都会对用户的行为产生很大的影响，比如前段时间的奔跑吧兄弟，引发了撕名牌的热潮。为了能够更快捕捉用户行为模式的变化，非常有必要引入Online Learning。

美团online learning的工作正在进展中，效果还不够稳定。沈国阳预告说，美团将会在9月中旬举行的美团第二届技术沙龙活动中着重介绍其Online Learning算法。 

本文为ImapBox原创文章，未经允许不得转载，如需转载请联系market#csdn.net(#换成@)