美团搜索广告召回技术的深度实践与应用

引言

随着互联网广告行业的快速发展，搜索广告作为连接用户与商家的关键桥梁，其召回技术的优化成为提升广告效果与用户体验的核心。美团，作为国内领先的本地生活服务平台，在搜索广告召回技术上进行了深入的探索与实践，形成了一套独具特色的技术体系。本文将详细阐述美团在搜索广告召回技术上的三大阶段及其实际应用。

一、多策略关键词挖掘阶段

在美团搜索广告启动初期，面对基建能力尚不完善、线上反馈数据匮乏等挑战，美团采取了多策略关键词挖掘的方式。此阶段的核心在于通过离线方式挖掘核心关键词，并与在线Query进行精确匹配。

1.1 技术特点

• 离线挖掘：利用NLP技术从广告或SPU（Standard Product Unit，标准产品单元）中挖掘关键词。
• 精确匹配：在线时通过Query改写提升匹配效率，确保高覆盖率。
• 多策略并行：不断叠加新的召回策略，以快速支持系统迭代。

1.2 实践难点

• Query较短：美团用户搜索的Query平均长度仅两三个字，导致匹配难度增加。
• 流量集中：高频Query占据大部分流量，需精准覆盖。
• 商家特点：中小商家线上运营能力弱，内容质量不高，需特别处理。

二、分层召回体系阶段

随着基建能力的提升和业务需求的复杂化，美团进入了分层召回体系阶段。此阶段按照业务类型，聚焦在几个象限内，采用更聚焦的针对性召回策略。

2.1 技术特点

• 技术深化：在单个业务范畴内，通过技术深化提升业务效果。
• 在线覆盖：将召回由离线切换成在线，覆盖更多流量。
• 新技术融合：大规模使用个性化、图、多模态等新技术。

2.2 实践成效

• 显著提升召回率：通过分层优化，提高了广告召回的精准度和效率。
• 技术突破：突破了传统单一NLP技术瓶颈，实现技术创新。

三、生成式召回阶段

为了进一步提升召回效果，美团引入了生成式召回技术，借鉴生成式大模型的思路和能力，改造现有召回技术体系。

3.1 技术思路

• 大模型应用：离线构建领域微调大模型，在线结合传统模型改造现有能力。
• 蒸馏学习：通过蒸馏方式，将大模型通用知识蒸馏到在线小模型中。

3.2 面临的挑战

• 算力瓶颈：大模型落地需解决算力问题。
• 迭代效率：模型规模增大后，需保证迭代效率。
• 模型优化：需构建以大模型核心能力为基础的架构，以实现更好的效果。

四、实践经验与总结

4.1 实践经验

• 数据驱动：基于用户行为数据、商户信息数据等，不断优化召回策略。
• 技术创新：积极探索新技术，如个性化、图、多模态等，提升召回效果。
• 实时性与可扩展性：确保广告召回具备实时性和可扩展性，满足业务需求。

4.2 总结与展望

美团在搜索广告召回技术上的实践，不仅提升了广告效果和用户体验，也为业界提供了有益的借鉴。未来，随着技术的不断进步和业务的持续拓展，美团将继续深化在召回技术上的探索与实践，为用户提供更加精准、高效的广告服务。

结语

搜索广告召回技术的优化是一个持续的过程。美团通过多策略关键词挖掘、分层召回体系、生成式召回等阶段的不断探索与实践，逐步构建了一套高效、精准的召回技术体系。这一技术的成功应用不仅为美团带来了商业价值，也为整个互联网广告行业树立了新的标杆。