張彬（美團推薦算法進階研發工程師）:2012年3月碩士畢業于北京郵電大學，有過兩年的網際網路廣告工作經曆，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了解和認識，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系統的建構和優化，通過完善召回算法和引入重排序模型等大幅度提高了系統的轉化率。
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，商戶的地理位置對使用者的決策影響很大，針對這點我們做了大量基礎工作。下面我們一同看下美團是如何實作個性化推薦的。
<b>一、</b><b>推薦美團的原因</b>
1.活躍使用者過億，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：
◎推薦産品：10+推薦産品，每天服務 30m+ 使用者
◎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，搜尋無結果，附近團購，相關團購
圖3.美團其他推薦方式
二、<b>美團如今所面臨的問題</b>
1、使用者購買與消費的空間距離很小
圖4.分品類持券80%距離
2、使用者購買與消費的時間差很短
圖5.分品類持券時長
3、使用者場景時刻在變化
如：地理位置不斷變化，使用者需求随位置而變，推薦的内容要适配這種變化等
4、使用者行為稀疏，粘性不夠強
相鄰兩次通路的時間間隔長，新使用者流失比例高，生命周期偏短
5、資料多，使用者請求量大
每天要處理的資料達到t級别，每天千萬級的使用者，上億次請求
<b>三、</b><b>應對方案</b>
針對上述諸多面臨的問題，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；架構優化等。
1、地理位置
（1）對于地理位置的次元，可以通過實時地理位置、常去地理位置、工作地、居住地、消費地等位置資訊進行确認。
（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
線上：擷取使用者的地理位置資訊，對區域deal清單進行加
（3）根據使用者的地理位置軌迹計算使用者相似度，與協同的使用者相似度疊權重
<b> </b><b>算法示意：</b>
user1：geo1:count1;
geo2:count2; geo3:count3 …
user2：geo1’:count1’; geo2’:count2’; geo3’:count3’ …
圖7.算法示意地理位置資訊
（4）基于消費poi的相似度計算
deal中包含的地理位置資訊較弱
poi同時包含了使用者的偏好與商圈傾向
圖8.poi的相似度計算圖示
（5）作為重排序模型的特征
使用者實時地理位置與deal所在poi的最近距離
使用者常去地理位置與deal所在poi的最近距離
使用者消費地理位置與deal所在poi的最近距離
2、實時推薦
對于實時推薦由于使用者場景經常變化，需求随之而變；離線計算好結果的推薦方式适應性差；每次請求都要實時計算。
（1）實時資料流
圖9.實時行為：搜尋、篩選、收藏、浏覽、下單
①算法使用新的使用者行為資料進行推薦
未轉化行為實時回報至推薦結果
圖10.實時資料流程圖
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次元的特征
user次元的特征
user、deal的交叉特征
距離特征
◎線上特征抽取，模型實時計算
線上學習算法ftrl
（3）算法融合&push
①算法融合包括：
權重型：對各個算法産生的候選集按照權重進行權重
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
調制型：不同的算法按照不同的比例産生一定量的候選集組成總的候選集
過濾型：目前的算法對前一級算法産生的候選集進行過濾，依此類推，候選集被逐級過濾，
最終産生一個小而精的候選集合
②個性化push
使用者相鄰兩次通路間隔長
觸及更多的使用者，提升日活使用者數
不能過度打擾使用者
最初的做法：使用者拉取；push時機不可調；系統壓力大；不能實時推薦
改為push以後：根據使用者的曆史聯網時間确定push發送時機，根據使用者的實時定位發送，
發出率提高24%，打開率提高21%，綜合轉化率提高94%
（4）架構優化
圖11.架構優化示意圖
圖12.海量資料處理示意圖
随着日益增長的使用者請求，将業務進行拆分，較重的業務獨立出來；采用多算法并行；建立統一資料模型，減少備援請求。
運用觸發層與排序層分離；模型訓練并行化；參數實時加載，支援快速調參達到快速的效果疊代。
整個優化方案将地理位置因素的引入：解決使用者冷啟動和稀疏性，提高推薦精度；
将候選集進行融合：提高了推薦的覆寫度、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。我們争取以資料為基礎，用算法去雕琢，發現問題并進行修正，運用良好的基礎架構，高效的算法疊代，發揮團隊的力量。
ppt http://club.alibabatech.org/resource_detail.htm?topicid=186