多业务建模在美团搜索排序的深度探索与实践

多业务建模在美团搜索排序中的深度探索与实践

引言

美团的使命是“帮大家吃得更好，生活更好”，其App承载了外卖、到店餐饮、买菜、优选、酒店、旅游、休闲娱乐等各类生活服务。随着业务的不断扩展，美团搜索排序面临了巨大的挑战：如何在多业务场景下实现精准、高效的排序，以满足用户多样化的需求。本文将深入探讨美团在多业务建模方面的实践，分享其技术架构和成功案例。

多业务排序的挑战

美团搜索排序是一个典型的多业务混合排序建模问题。不同业务之间存在共性和特性，例如到店餐饮对距离特征非常敏感，而旅游景点业务则相对不敏感。此外，各业务的消费频次和业务规模不同，导致模型训练数据中的分布差异较大。因此，如何兼顾不同业务的共性和特性，实现更好的数据学习，是美团搜索排序面临的主要挑战。

技术架构与流程

美团搜索系统整体流程分为数据层、召回层、排序层和展示层。在排序层中，美团采用了多层排序架构设计，包括粗排层、多路融合层、精排层、重排层和异构排序层，以平衡排序效果和性能。

• 粗排层：使用相对简单的模型对召回候选集进行初步过滤，实现排序效果和性能的Trade-off。
• 多路融合层：使用查询词特征、上下文场景特征构建配额模型，进行不同业务候选集的数量控制，实现用户需求的精确理解。
• 精排层：使用亿级别特征的深度学习模型，捕捉各种显式和隐式信号，实现Item排序分数的精准预估。
• 重排层：使用小模型和各种机制对精排后的结果进行调序，实现精细定向的优化。
• 异构排序层：使用深度学习模型对异构聚块进行排序，实现多业务的高承载。

多业务建模实践

多业务配额模型（MQM）

为了融合不同业务的召回结果，美团设计了一个多业务配额模型（MQM）。该模型通过多目标的建模方式，以每一路召回是否被点击、下单为目标进行建模，输出各路召回的点击、下单联合概率，作为最终的配额分布。随着召回策略的不断迭代，MQM模型也不断优化，引入了行为序列建模模块和Transformer Layer，以解决新召回源接入的冷启动问题，并加强模型的个性化。

多业务精排模型（MBN）

在精排层，美团采用了多业务精排模型（MBN）来适配多业务场景。MBN模型结构为主网络加多个业务子网络的形式，每个子网络针对特定业务进行优化。为了兼顾不同业务的特性，MBN模型采用了软切分的方式设定权重，即把多业务配额模型的输出作为权重值，以实现知识迁移和参数共享。随着业务的发展，MBN模型也不断迭代，添加了新的业务子网络，并解耦了精排模型和配额模型，使得模型更加灵活和稳定。

案例分析

以用户搜索“望京”为例，此时用户需求不明确，搜索结果需要包含望京附近的餐饮、电影、休闲娱乐、酒店等多种业务。美团搜索系统通过MQM模型控制不同业务的召回比例，再通过MBN模型对候选集进行精准排序。最终展示给用户的结果既包含了用户可能感兴趣的多种业务，又根据用户的个性化需求进行了优化排序。

总结与展望

美团在多业务建模方面的实践表明，通过合理的架构设计和模型优化，可以有效融合多业务数据，提升搜索排序的精准度和用户体验。未来，随着业务的不断扩展和技术的不断进步，美团搜索排序将继续优化和创新，为用户提供更加便捷、高效、个性化的服务。

可操作的建议

对于其他企业在面对多业务排序问题时，可以借鉴美团的实践经验，从以下几个方面入手：

1. 明确业务需求：深入了解各业务的共性和特性，明确排序的主要目标和次要目标。
2. 合理设计架构：采用多层排序架构设计，平衡排序效果和性能。
3. 优化模型结构：根据业务需求和数据特点选择合适的模型结构，如多业务配额模型和多业务精排模型。
4. 持续迭代优化：根据用户反馈和业务变化持续优化模型参数和结构，提升排序效果。

通过这些措施，企业可以在多业务排序问题上取得更好的效果，提升用户体验和业务价值。