面對紛繁復雜的服務與選項，用戶怎樣才能快速地找到自己想要的結果呢?這就需要美團平臺的搜索服務來幫忙。

2018 年 11 月 30 日-12 月 1 日，由 51CTO 主辦的 WOT 全球人工智能技術峰會在北京粵財 JW 萬豪酒店隆重舉行。

本次峰會以人工智能為主題，來自美團的高級算法技術專家蔣前程在推薦搜索專場，從美團搜索的主要特點，以及他們是如何使用自己的算法模型去應對挑戰等方面，向大家介紹《美團 O2O 服務搜索的深度學習實踐》。

美團搜索業務現狀

目前，美團搜索覆蓋了平臺 40% 的交易，具有所謂千萬級的 POI(Point of Interest，興趣點)和億級別的 SPU(Standard Product Unit，標準化產品單元)，而且用戶每天的搜索頻次(即：日 PV)，也能達到億級。

那麽，美團搜索具體涉及到哪些方面呢?如上圖所示，除了左圖上方的首頁搜索欄，其下方的各個業務頻道裏的搜索服務，也是由我們團隊來負責的。

因此，我們搜索的服務目標可分為許多種，包括：主體 POI，每個 POI 下不同業務所提供的不同服務，如：買單服務、外賣服務、傳統團購業務、預付業務、以及酒店預付業務等。

作為美團搜索的平臺，我們的使命是把用戶流量進行高效的分發，並且在分發內容的基礎上盡量提升他們的搜索體驗。

在保持用戶黏性的同時，我們不但要提高用戶的交易效率，而且要為他們的決策提供更多的信息幫助。

另一方面，對於商家而言，我們需要把更優質的用戶流量導向他們，從而帶來更高的轉化效率。這便是我們作為美團入口的各項使命。

美團搜索的特點和挑戰

下面我們來討論一下 O2O 的搜索與其他網頁及電商的搜索，有什麽相同與相異之處，以及我們面臨著哪些挑戰。

首先，就目標而言，我們的業務種類繁多，而且每種業務在不同的發展階段有著不同的優化目標：有的需要優化點擊率、有的需要優化轉化率、有的需要優化 GMV(Gross Merchandise Volume，成交總額)。

因此對於我們平臺而言，利用現有的大流量、服務好業務方、提高效率、加固平臺的交易，便是我們的整體大目標。

其次，對於用戶而言，他們需要根據不同的用戶屬性搜索到個性化的結果。另外，我們也需要根據搜索時的時間和空間等場景的不同，提供差別化的結果。

再次，對於商家而言：

異構性非常大。每個業務及其字段的關註點都有所不同。由於他們所提供的服務存在著差異性，因此其數據和檢索層面，也與傳統搜索存在著巨大的差異。

非標屬性。從平臺上的餐飲店鋪可以看到，商家的菜品本身就是一些非標準化的產品。這與電視和空調之類的標準品，有著本質上的區別。

可見，用戶與商家之間是通過實時性相關聯的。也就是說用戶的需求會隨著所處位置，以及早中晚餐的時間會有所不同。

而商家的運能也會隨著一天中的不同時段，以及是否下雨等天氣因素有所變化。因此，這些都被視為美團搜索的特點和挑戰。

總結而言，我們搜索服務的願景便是：讓更多人更便捷地找到更多他們想要的生活服務。

其中“找到更多想要的”，可以通過智能匹配技術來實現;而“更便捷地找到”，則需要有個性化的排序。面對這兩條關鍵路徑，我們在深度學習方面進行了如下探索。

**美團搜索深度學習探索實踐

智能匹配**

一般說來，用戶的意圖表達分為顯式和隱式兩種輸入類型：

顯式就是他直接通過篩選條件所傳遞的搜索要求。

隱式則包括用戶的搜索時間、地理位置和個人偏好。

因此，智能匹配就要求我們通過搜索結果，展現出用戶需要的集合。

那麽如何才能做好智能匹配呢?我們總結起來會涉及到如下兩個方面：

用戶意圖的匹配。

多維度的匹配。

就用戶意圖而言，雖然搜索的是同一條詞匯，但是不同種類用戶的期望結果會有所不同。

例如：“北京南站”一詞：

對於北京本地常住的用戶來說，他們搜索的目的居多是出自餐飲外賣需求。

對於北京本地但少去的用戶來說，他們搜索的目的居多是出自公交換乘需求。

對於外地遊客來說，他們搜索的目的居多是出自火車與住宿需求。

因此，這就要求我們針對不同“背景”的用戶展現不一樣的內容。

可見，用戶的意圖可以大致分為兩個維度：

場景意圖，即基於用戶的隱式條件，我們要探究其需求是以美食為主、酒店為主、還是以旅遊為主。這是業務級別上的需求。

成分分析，即針對用戶的顯式輸入，我們要分析其中間的有效成分，並籍此制定出有針對性的標準。

業務識別

下面我來看看業務識別的基本流程。首先，我們要有一個行業知識庫，或稱為詞表。

接著，我們挖掘出一些通用的詞匯，以保證每個詞都能對應某個需求，以及 Top 的相關問題。

在系統上線之後，我們通過叠代來匹配用戶的反饋，包括他們的點擊、下單、品類等業務分布。然後，我們得出此類需求分布的概率，並執行各種召回。

當然，這種簡單統計行為的泛化能力是存在一些問題的。如果用戶的行為特征反饋並不充分的話，他們的需求也就不太明確。

此時我們自然而然地想到了使用各種機器學習模型，對文本和用戶行進行向量化，通過諸如 FastText 或 CNN 之類的分類模型，對用戶的各種特征予以分類，從而得到用戶的意圖，並解決泛化的問題。

不過我們也曾經發現：通過機器學習所得到的分布，雖然對整體而言是合理的，但是對於某些用戶卻並不合理。

因此，我們最近采用了一些強化學習的方法：在細微之處，我們探索性地為用戶提供業務需求的入口，從而收集到用戶後續的反饋。

通過此類叠代，我們可以識別出用戶在某方面的業務需求是否強烈。

至此，我們是否可以認為整體的業務已經識別清楚了呢?其實，我們不難發現：在用戶僅輸入單個詞語進行搜索的情況下，平臺基於大量用戶數據所統計出來的需求分布，並不一定能夠準確地反映出用戶的意圖。

另外，用戶的歷史意圖是否會影響他的實時意圖呢?面對此類時序化的問題，我們需要基於此前他在我們系統中發生過的搜索行為，采用大數據統計來提取相關特征，利用 RNN 模型去預測他的下一個行為。

當然，我們也會參照上述一些非業務方面的因素。

成分分析

第二個方面是成分分析。考慮到用戶可能會搜索各種短語，如：“中關村火鍋”，其中，“中關村”是地址，“火鍋”是品類，那麽我們需要做好針對性的檢索。

例如：我們將地址信息轉化成地圖上的坐標畫圈，將品類信息轉呈到已有成品類的檢索中，進而實現成分分析和智能匹配的完美結合。

由於成分識別實際上是一個序列標註的問題，因此我們起初采用的是傳統的 CRF 模型。

雖然該模型的精度與召回尚可，但是它對於語義的理解，以及相關性的考慮是不夠的，而且它需要人工進行特征提取與數據標註。因此，我們想到了使用基於 LS 的深度學習與 CRF 結合的方法。

初期，由於數據量太小，算法不能很好地學習到各種標簽的正確性，因此效果不如 CRF。

於是，我們采用了如下的方法來擴充數據量：

我們將已訓練的 CRF 模型擴展出更多的語料，使之將預測出來的結果作為標誌數據。

對於已總結的數據庫，我們根據用戶反饋的規則，挖掘出更多的數據。

通過各種擴充，待樣本增長了百萬級的規模時，我們再運用深度學習模型進行實體識別。

在實體識別的過程中，我們所用到的輸入特征包括：值向量特征，以及以前 CRF 所用到的人工特征，通過 BiLSTM 再進行 CIF，最後達到了實體識別。而由此所產生的效果相對於 CRF，已經有了大幅的提升。

當然根據業務屬性，由於商家的名稱以及微信地址都是五花八門的，因此我們無法做到及時的全面覆蓋，召回也就不那麽的理想。

前面提到的是用戶意圖在智能匹配上的作用。下面我們來看為何要進行多維匹配。

例如：某個用戶輸入了“減肥餐”，那麽我們僅僅使用文本匹配予以返回顯然是不夠的。

他的潛在需求，可能還包括：低油、低脂、輕食、蔬菜、水果等一系列方面。因此，這就產生了需求之間的語義 Gap。

為了彌補該 Gap，我們需要建立向量化的召回框架結構，由上方的示意圖可見，我們將文本數據和用戶行為序列數據，導入語義模型，處理完畢後得到了 Query、POI、User 三者的向量，再根據這些向量執行召回。

如今，該框架已經能夠被在線使用到了。

語義模型

下面我們來介紹一下美團在語義模型方面的具體嘗試。

首先是 DSSM 模型。我們在其原生模型的基礎上進行了一些修改。在輸入方面，我們采用的是文檔(Doc)和查詢(Query)的雙塔結構。此處，我們已經做好了文本的過濾(包括低頻次的過濾)。

通常情況下，系統會經過兩個隱藏層。而在此處，我們改進為：讓第二層將第一層向量選出來的隱性層轉到第三層，以便數據能夠更好地向下傳遞。

而在輸出層，我們會更細膩地考慮兩者之間的權重。我們會做一個相似度的矩陣，同時將這兩個向量傳遞到最後的輸出層，以線性加權的方式得到最終的分數，這便是我們在 DSSM 語義模型上的探索。

前面我們討論了監督的模型，其實我們也嘗試了一些非監督的模型。非監督模型主要是基於用戶的行為序列。

例如：用戶會在某個查詢會話中會點擊多處(POI1、POI2)，那麽我們就將此序列當成一個文檔。

相比前面提及的主要體現在文本上的模型，此處則更偏向於推薦的思想。如果用戶既點了 A，又點了 B，那麽兩者之間就存在相似性，因此我們采用了單獨的模型來訓練此類序列。

而且，我們在輸入層不只是把 POI 進行了向量化，還將與 POI 相關的品類信息、GU 哈希信息等都拼接成額外的向量。這便是我們所做的簡單的改動。

上圖右側是一個向量的展現，可見系統能夠把一些相關的信息學習出來，以便我們進行各種相關性的召回。

針對上述智能匹配技術，我們總結起來有兩個方面：

怎麽做好用戶的意圖識別。

怎麽實現多維度匹配，即：在傳統文本匹配的基礎上，加入了向量化召回的思路。

個性化排序

在完成了用戶匹配之後，我們幫用戶搜到大量的匹配結果。那麽，我們勢必需要通過個性化排序，來優先顯示用戶最需要的結果信息。

如上圖所示，排序的整體流程為：

我們使用召回層進行簡單的粗排，它適用於一些簡單的特征，即通過線性模型對結果進行初步過濾。

把少量的結果送到模型層，執行點擊率和轉化率的預估。

在業務層會有一些可解釋性、業務規則的排序。

其中，模型層的演進過程是：線性模型→決策樹模型(如 GBDT)→PairWise 模型→實時模型→深度學習，以滿足個性化的特征。

下面，我們來重點討論實時模型和深度學習的實現方式。

為了更好地滿足用戶的需求。我們有兩種實時化的方向：

許多公司會將包括實時行為、實時庫存、實時轉化等在內的特征放入模型，以進行實時更新。

通過在線學習，拼接各種實時流，實時更新參數，根據模型的評估，判斷是否要替換成新訓練的模型。

實時特征

同時，在提取實時特征的過程中，我們需要將用戶實時的數據，如：點擊流、下單流等請求數據緩存到 Storm 裏。

接著，基於這些數據，我們需要提取到用戶的實時行為特征，包括：品類偏好、價格偏好、距離偏好等。

另外，我們會對序列區分不同的時段，並逐一“兌換”特征，當然，我們也會考慮該用戶會話(Session)內部的 01 特征。結合業務特點的挖掘，我們最終把實時特征提取了出來。

深度模型

對於美團而言，深度模型的需求源自如下三個方面：

場景非常復雜，每個業務的需求都存在著巨大差異。

前面提到的樹模型雖然有較好的泛化能力，但是缺少針對用戶行為的記憶能力。

需要對一些稀疏特征，以及特征組合進行處理。

因此，基於業務和工程師的實際需求，我們有必要采用深度學習模型。

上圖是我們的深度學習框架。其特點在於如下三個方面：

能夠更好地在線支持超大規模的數據和模型，如：幾十個 G 的模型。

能夠方便地支持多種模型的定義。

能夠很好地支持流式模式的訓練與上線。

簡單來看，該模型也分為三個部分：

離線訓練，即Base模型，是從日誌數據表裏提取特征，通過訓練，將參數存到離線集群之中。

流式訓練，將實時收集到的數據作為日誌予以拼接，通過特征的提取，最後執行訓練。

在線預測，通過實時優先級對模型進行評估。如果通過，則更新到 PS 在線集群裏進行預測。

有了上述框架的感念，我們再來看看在該深度模型上的探索路徑。起初，我們直接將 Dense 特征拿過來，扔到簡單的 MLP 裏執行快速叠代。

憑借著更強的特征擬合能力，我們能夠實時地叠代出參數的模型，進而實現了在線式的實時更新。因此，相比之前的樹模型，深度學習模型的效果有了明顯的提升。

而針對稀疏特征，我們采用了如下兩種方法：

直接用模型去學習和訓練 Embedding 特征，進而輸入到模型之中。

通過 Wide 記錄模型來實現深度學習。

如上圖所示，在特征組合方面，我們嘗試了一些知名的模型。其實它們之間並無明顯的優劣勢，就看哪個更適合業務項目罷了。

例如：PNN 是將特征作為一個組合放在了輸入層;DeepFM 則多了一個 FM 值;而 DCN 是做到了特征高階的模型。

因此，我們在不同的業務場景中，都嘗試了上述這些模型。一旦發現效果較好，我們就會將其替換成當前業務的主模型。

總的說來，我們現在的主體模型是：流式的深度學習模型。從上圖的各項指標可以看出，其整體效果都有了正向的提升。

未來展望

展望未來，我們會在如下兩大方面繼續個性化排序的探索：

智能匹配。在深度上，我們會深耕成分分析、用戶意圖、以及業務預測等方面。

在廣度上，我們會針對文本匹配效果不佳的場景，補充一些向量召回，進而實現根據用戶的不同屬性，達到多維度個性化召回的效果。

排序模型。類似於阿裏的 DIEN 模型，我們會對用戶的興趣進行單獨建模，進而與我們的排序模型相組合。

考慮到各種品類的相關性、文本的相關性、以及實際業務場景的不確定性，我們將在深度學習中嘗試多目標的聯合優化。

億級日搜索量的美團如何構建高效的搜索系統？