美团搜索多业务商品排序的深度探索与实战分享

引言

随着美团业务的不断拓展，搜索系统已经成为用户获取各类商品和服务的重要入口。然而，美团的多业务特性给搜索排序带来了前所未有的挑战。如何高效、准确地对不同业务（如闪购、买菜、优选、外卖等）的商品进行排序，以满足用户的多样化需求，成为美团搜索团队亟待解决的问题。

面临的挑战

美团搜索多业务商品排序面临的主要挑战包括：

1. 业务差异性大：各业务在供给、履约方式、消费频次等方面存在显著差异，难以用统一模型兼顾所有业务特性。
2. 数据分布不均：不同业务在模型训练数据中的分布差异大，导致模型难以平衡各业务的表现。
3. 用户体验优化难：排序结果的业务聚合展示涉及业务顺序和首位业务结果展示数目，两者联合优化难度大。

探索与实践

为了应对上述挑战，美团搜索团队进行了一系列探索与实践，主要包括以下几个方面：

1. 混排建模

在商品多业务排序场景下，美团搜索团队采用了混排建模的策略。具体而言，通过将不同业务的商品统一混合排序，并利用多子塔结构（如闪购子网络、买菜子网络等）来捕捉各业务的特性。这种结构使得模型能够同时学习各业务的共性和特性，从而提升排序的准确性和效率。

2. 特征选择与优化

针对特征数量繁多且杂乱的问题，美团搜索团队引入了Group Lasso等特征选择方法，通过分组正则化来减少噪声特征的影响。同时，为了更精确地分业务建模特征重要性，团队还提出了自适应多业务特征选择模块，通过特征选择门来计算每个特征的权重，实现分业务加权的目的。

3. 概率图建模

为了进一步提升排序效果，美团搜索团队引入了概率图建模。通过引入先验网络和后验网络，系统性地将输入、业务和输出联系起来。这种建模方式使得模型能够更准确地识别用户当前需求的业务分布，并据此进行排序优化。

4. 排序架构优化

美团搜索的排序架构从上而下被分为四层：接入展现层、异构合并层、排序层（包括召回粗排层L1、精排层L2和策略小模型层L3）以及基础检索层。为了支持多业务排序，团队在排序层进行了精细化分层处理，包括同构排序和异构排序等。同时，还开发了编排平台Lego和训练平台Poker等工具，以提升算法迭代效率和团队协作效率。

实战效果

经过一系列的实践和优化，美团搜索多业务商品排序取得了显著成效。具体而言：

• 离线指标提升：相比基线模型，离线指标如NDCG等均有明显提升。
• 线上效果显著：通过线上AB实验测试，点击率和访购率均实现了显著提升。
• 用户体验优化：排序结果的业务聚合展示更加合理，用户搜索体验得到显著提升。

总结与展望

美团搜索多业务商品排序的探索与实践表明，通过先进的算法和技术手段，可以有效应对多业务排序中的挑战。未来，随着业务的不断发展和技术的持续进步，美团搜索团队将继续优化排序算法和架构，为用户提供更加精准、高效的搜索服务。同时，也将积极分享实践经验和技术成果，为业界的发展贡献自己的力量。

通过本文的介绍，希望读者能够对美团搜索多业务商品排序有更加深入的了解，并从中获得有益的启示和借鉴。