《机器学习在美团：吃喝玩乐中的大数据与云计算》由会员分享，可在线阅读，更多相关《机器学习在美团：吃喝玩乐中的大数据与云计算（45页珍藏版）》请在金锄头文库上搜索。
1、机器学习美团 吃喝玩乐中的算法问题O2O行业及美团简 介机器学习在用户端的应用 机器学习在商户端的应用算法应用八大“坑”概要背景算法应用总结什么是O2O？O2O (Online to Offline) = 本地服务(LBS) + 线上连接 通过信息流动，减少物理流动 平台用户需求信息结构化 来源：TalkingData及品途网 2014 O2O移动应用行业报告O2O行业应用图谱来源：TalkingData及品途网 2014 O2O移动应用行业报告外卖打车电影票频度门票酒店机票租房挂号美业租拼车 家政垂直 vs.水平（平台）什么样的领域有机会？用户获取成本 vs. 用户价值渗透率团购买房微信刷牙
2、All That Is Solid Melts into Air. Karl Marx猫眼电影 国内最大的电 影分销商 美团外卖 国内最大的外 卖平台 美团简介美团团购 国内最大的本地生 活服务电 商平台 美团酒店 国内第二大酒店 分销商 消费频度 vs 行业深度O2O vs 网络电 商 共同：双边市场 差异：LocaEon based， 消费距离受限 O2O的特点市场规模大、增长速度快 懒人经济：质优价廉 低价格 高品质 低成本 高效率 低毛利 高科技200 0 1000 800 600 400 1400 1200 2010 2011 2012 2013 2014 2015e 美团网交易额（
3、亿元）2014年12月：美团网拥有1亿多活跃移动用户， 移动端贡献90%的交易额80 70 60 50 40 30 20 10 0 2011 2012 2013 2014 美团移动交易占比移动化day:1 day:33.5 day:510 0hr 3hr 6hr 9hr 12hr 15hr 18hr 21hr 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 电影酒店美发/美容/美体美食摄影写真生活服务休闲娱乐运动健身所有品类分品类持券60.00% 4000 3500 3000 2500 2000 1500 1000 500 0 北 广 天 福 杭 无 合 成
4、京 州 津 州 州 锡 肥 都美容美发休闲娱乐生活服务运动健身摄影写真电影酒店美食场景化、即时化分品类持券80%距离4500 美团持券及消费距离用户 个性化 场景化 即时化 O2O平台商户 动态触达用户 提供丰富产品 平台 获取用户/商户 匹配供给需求 传统模型：边际收益递减 平台模型：双边市场的网络效应=边际收益递增 =平台价值 平台：用户端吸引访 问/再访 自然流量 站外广告 主动推送促成购 买 信息聚合 用户行为引导 运营拉新提升多 次访购 搜索、浏览 主动 引导 个性化推荐 跨品类转 新平台：商户端商机发现 销售拜访 路线优 化商家入住 及上单 预测 可能入住商户 自动写单提高上单效率
5、运营 风控防刷单 销量预估O2O及美团介绍机器学习在用户端的应用 机器学习在商户端的应用算法应用八大“坑”概要背景算法应用总结 运营拉新 推送引导 流量转化 用户 个性化 场景化 即时化 机器学习美团 销量预估 电影票房预估 商户 动态触达用户 提供丰富产品 平台 获取用户/商户 匹配供给需求 用户端：运营拉新背景：首购 留存，吸引已注册用户完成首购 目标：少花钱，多办事用户端：运营拉新方法：新用户画像 SVM分类 准确率：75% 召回率：68% 效果 拉新单位成本下降35% 单位用户营销 成本=总花销/总新客数 总开支节省30% 选择对 象选择准 则优化用户端：推送引导背景：对不活跃用户发个
6、性化推送消息，提升访问及购买 目标：提高用户转化，减少打扰用户 方法：效果：有效降低了对用户的打扰。发出消息目标：发出率 固定时间拉取改 为灵活推送 发送时机优化， 考虑用户的历史 联网时间，当前 位置发出率提高100%+打开消息目标：打 开率 动态文案 (todo)打开率提高21%浏览 /购买目标：转化 率 类似推荐的 优化方式， 提高访购率综合转化率提高94%用户端：流量转化搜索浏览推荐意图 强度流量 规模用户偏好 用户端：流量转化场景 位置 快速交互 首页推荐 个性化数据 同义词 挖掘 专名识别 新词识别 user profile 挖 掘 deal/poi profile 挖掘 quer
7、y/deal 的 topic model 评估框架 模型训练 数据清洗 特征抽取 数据流 推荐和搜索框架的统一搜索推荐平台Poil化列表浏览 人工规则 干预 CTR model 相关性模型 Query Retrieval 通用数据 Query补全 排序机制 Action model 业务规则 User Retrieval 关系数据 应 用 层排 序 层模 型 层准 入 层触 发 层数 据 层Flume AgentImpression LogOrder/Click LogDeal DBControl ServiceModel 1Model 2APIOnline trainfeatureLabel
8、ed DataOffline train服务架构演进feature monitor高度可配置 LR SVM API Command 应 用 层模 型 层选特 择征一特 化征 归Chi squared Standard Topic Model GBDT Mutual InformaEon MinMax 分级日志 模型评估 基于spark的离线训练 平台美团搜索历史查询词查询补 全结果页搜索系统实践数据获取时效性 清洗提高准确性基础数据获取 查询引导 同义词挖掘 团单品类映射查询 分析 系统架构调整 增加吞吐量 改进协议架构支撑 特征工程 LR + GBDT 融合效果重排序 实时品类偏好 实时下单
9、位置 模型在线更新实时 化 分词/归一 化 查询纠错 语义扩 展 意图识别 查询分类 紧密度计算 Term赋权 召回及 排序策略 Query suggestion 相关搜索 热搜词 用户查询 自然语言化 检索基于字面匹配，缺乏语义 扩展 语义 漂移 查询分析 查询分析面临的问题 用户意图多元化 精确/模糊查询 领域多：寻找吃喝玩乐，购物，旅 游，住宿 策略类型 及占比 商 家 品 类 商 圈 地 标 酒 店 旅 游 商 品 电 影 复合 意图 其 他 改进前 12% 8% - 3% - - - 1% - 76% 改进后 21% 17% 7% 5% 6% 2% 1% 4% 9% 28% 意图识别
10、 搜索意图歧义示例及解决方案 找门票还是酒店？ 通过意图分类，将“旅 游”意图的POI排序提前 团单品类细分 品类内差异对用户造成的困扰 “咖啡/酒吧/蛋糕”在后 台配置为同一个类目下的 品类 通过文本分类拆分子品类， 或者说打标签 人工定义体系+SVM学习，构建覆盖全面合理的品类类 目，更好满 足用户精确品类检 索的意图 美团频道筛选groves频道筛选实 践数据清洗 在线获取训练所需特征数据及特征工程 使用位置信息 引入排序模型粗排序 新单推荐 使用位置信息冷启动 Additive使用位置 分品类细化重排序 实时品类偏好 实时下单位置 实时特征更新实时 化 poiuser 特征 当前距离
11、历史距离 最近点击/下单/支付 历史点击/下单/支付 deal特征 CTR/CVR CVR 折扣力度 是否新单 是否促销 dealuser 特征 商圈 品类 价格 user特征 终端类型 地理位置 消费水平 品类偏好 CPR 重排序：特征poi特征 #评论数 #有图评论 /优质评论 CTR/CVR/CXR rank Additive Groves 数值类特征 详情页特有特 征 列表页特有特 征 GBDT LR 重排序：框架数据实时化 预测结 果随数据更新而变化 2小时销量数据 2小时内数据预测用户实时 偏好 进入列表页请求用户地理位置，下单率提升3% 模型天级更新 Online learnin
12、g继续尝试 中美团推荐其他展位： 搜索无结果推荐，购买后推荐，评价后推 荐，附近推荐 推荐系统实践user/ item cf 相似性调整经典算法改进 销量预估 用户分群 地理位置偏好冷启动 附近热单 异地浏览 时间上下文上下文筛选 LR GBDT 融合效果重排序 特征实时化 偏好实时化 算法实时化实时 化 hap:/ 行为少，找不到有意义的相似用户 LocaEon，locaEon，locaEon 基于地理位置计算用户相似性：作为替 补策略，效果一般 浏览 地附近热单 ，作为上下文信息使用20140609 20140610 20140611 20140612 20140613 20140614 20140615 20140616 20140617 20140618 20140619 20140620 20140621 20140622 20140623 20140624 20140625 201406
