张彬（美团推荐算法高级研发工程师）:2012年3月硕士毕业于北京邮电大学，有过两年的互联网广告工作经历，期间先后参与过user profile挖掘、实时竞价算法、ctr预估等多个核心项目，对RTB、DSP、DMP中的相关技术有较好的理解和认识，积累了丰富的经验。2013年初加入美团网，主要负责美团个性化推荐系统的构建和优化，通过完善召回算法和引入重排序模型等大幅度提高了系统的转化率。

美团作为全国领的本地生活服务平台，在本地生活服务推荐领域已经进行了一些探索，这个分享主要是对这些探索的一些总结。我们看到本地生活服务领域的推荐需要重度使用传统的推荐算法，同时也存在很强的特色。例如，在本地生活服务领域，商户的地理位置对用户的决策影响很大，针对这点我们做了大量基础工作。下面我们一同看下美团是如何实现个性化推荐的。

一、推荐美团的原因

1.活跃用户过亿，移动端交易占80%以上。

图1.美团移动交易占比逐年变化树状图

2.推荐方式：

◎推荐产品：10+推荐产品，每天服务 30M+ 用户

◎推荐形式：User2Items、Item2Items、Personal push、Others

◎推荐实体：

图2.美团推荐实体选用

◎推荐平台：Mobile、PC

◎其他方式：购买完成，评价完成，搜索无结果，附近团购，相关团购

 

 

图3.美团其他推荐方式

 

二、美团如今所面临的问题

1、用户购买与消费的空间距离很小

 

图4.分品类持券80%距离

 

2、用户购买与消费的时间差很短

图5.分品类持券时长

3、用户场景时刻在变化

如：地理位置不断变化，用户需求随位置而变，推荐的内容要适配这种变化等

4、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

5、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

 

三、应对方案

针对上述诸多面临的问题，可采取如下等方案进行应对，如：强化地理位置特征；提高算法实时性；算法融合，个性化push；框架优化等。

1、地理位置

（1）对于地理位置的维度，可以通过实时地理位置、常去地理位置、工作地、居住地、消费地等位置信息进行确认。

（2）地理位置直接触发

     离线：挖掘区域消费优质deal和区域购买优质deal

 

图6.地理位置触发示意

在线：获取用户的地理位置信息，对区域deal列表进行加

（3）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权

   算法示意：

User1：geo1:count1; geo2:count2; geo3:count3 …

 

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

图7.算法示意地理位置信息

 

（4）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

 

图8.poi的相似度计算图示

（5）作为重排序模型的特征

     用户实时地理位置与deal所在poi的最近距离

     用户常去地理位置与deal所在poi的最近距离

     用户消费地理位置与deal所在poi的最近距离

2、实时推荐

对于实时推荐由于用户场景经常变化，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。

（1）实时数据流

 

图9.实时行为：搜索、筛选、收藏、浏览、下单

①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

图10.实时数据流程图

②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

（2）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

  ◎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

  ◎在线特征抽取，模型实时计算

在线学习算法FTRL

 

（3）算法融合&push

①算法融合包括：

  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

②个性化push

  用户相邻两次访问间隔长

  触及更多的用户，提升日活用户数

  不能过度打扰用户

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

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%

（4）框架优化

图11.框架优化示意图

 

图12.海量数据处理示意图

 

随着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；采用多算法并行；建立统一数据模型，减少冗余请求。

运用触发层与排序层分离；模型训练并行化；参数实时加载，支持快速调参达到快速的效果迭代。

 

 

整个优化方案将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。我们争取以数据为基础，用算法去雕琢，发现问题并进行修正，运用良好的基础架构，高效的算法迭代，发挥团队的力量。

PPT http://club.alibabatech.org/resource_detail.htm?topicId=186

 

来自： http://yq.aliyun.com/articles/120