资源描述
Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,3/27/2017,#,机器学习,美团,吃喝玩乐中的算法问题,O2O,行业及美团简介,机器学习在用户端的应用,机器学习在商户端的应用,算法应用八大“坑”,概要,背景,算法应用,总结,什么是,O2O,？,O2O (,Online to Oine,),=,本地服务,(LBS)+,线上连接,通过信息流动，减少物理流动,平台,用户需求信息结构化,来源：,TalkingData,及品途网,2014 O2O,移动应用行业报告,O2O,行业应用图谱,来源：,TalkingData,及品途网,2014 O2O,移动应用行业报告,外卖,打车,电影票,频度,门票,酒店,机票,租房,挂号,美业,租车,拼车,家政,垂直,vs.,水平（平台）,什么样的领域有,机会,？,用户获取成本,vs.,用户,价值,渗透率,团购,买房,微信,刷牙,All That Is Solid Melts into Air,.,Karl Marx,猫眼电影,国内最大的电,影分销商,美团外卖,国内最大的外,卖平台,美团简介,美团团购,国内最大的本地生,活服务电商平台,美团酒店,国内第二大酒店,分销商,消费频度,vs,行业深度,O2O vs,网络电商,共同：双边市场,差异：,LocaEon based,，,消费距离受限,O2O,的特点,市场规模大、增长速度快,懒人经济：质优价廉,低价格,高品质,低成本,高效率,低毛利,高科技,200,0,1000,800,600,400,1400,1200,2010,2011,2012,2013,2014,2015e,美团网交易额（亿元）,2014,年1,2,月：美团网拥有,1,亿多活跃移动用户，,移动端贡献,9,0%,的交易额,80,70,60,50,40,30,20,10,0,2011,2012,2013,2014,美团移动交易占比,移动化,day:1,day:3-3.5,day:5-10,0hr,3hr,6hr,9hr,12hr,15hr,18hr,21hr,50.00%,40.00%,30.00%,20.00%,10.00%,0.00%,电影,酒店,美发,/,美容,/,美体,美食,摄影写真,生活服务,休闲娱乐,运动健身,所有品类,分品类持券时长,60.00%,4000,3500,3000,2500,2000,1500,1000,500,0,北,广,天,福,杭,无,合,成,京,州,津,州,州,锡,肥,都,美容美发,休闲娱乐,生活服务,运动健身,摄影写真,电影,酒店,美食,场景化、即时化,分品类持券,80%,距离,4500,美团持券时长及消费距离,用户,个性化,场景化,即时化,O2O,平台,商户,动态触达用户,提供丰富产品,平台,获取用户,/,商户,匹配供给需求,传统模型：边际收益递减,平台模型：双边市场的网络效应,=,边际收益递增,=,平台价值,平台：用户端,吸引访,问,/,再访,自然流量,站外广告,主动推送,促成购,买,信息聚合,用户行为引导,运营拉新,提升多,次访购,搜索、浏览主动,引导,个性化推荐,跨品类转新,平台：商户端,商机发现,销售拜访,路线优化,商家入住,及上单,预测可能入住商户,自动写单提高上单效率,运营,风控防刷单,销量预估,O2O,及美团介绍,机器学习在用户端的应用,机器学习在商户端的应用,算法应用八大“坑”,概要,背景,算法应用,总结,运营拉新,推送引导,流量转化,用户,个性化,场景化,即时化,机器学习美团,销量预估,电影票房预估,商户,动态触达用户,提供丰富产品,平台,获取用户,/,商户,匹配供给需求,用户端：运营拉新,背景,：首购,-,留存，吸引已注册用户完成首购,目标,：少花钱，多办事,用户端：运营拉新,方法,：新用户画像,SVM,分类,准确率：,75%,召回率：,68%,效果,拉新单位成本下降,35%,单位用户营销成本,=,总花销,/,总新客数,总开支节省,30%,选择对象,选择准,则优化,用户端：推送引导,背景,：对不活跃用户发个性化推送消息，提升访问及购买,目标,：提高用户转化，减少打扰用户,方法,：,效果,：有效降低了对用户的打扰。,发出消息,目标：发出率,固定时间拉取改,为灵活推送,发送时机优化，,考虑用户的历史,联网时间，当前,位置,发出率提高,100%+,打开消息,目标：打,开率,动态文案,(todo),打开率提高,2,1,%,浏览,/,购买,目标：转化,率,类似推荐的,优化方式，,提高访购率,综合转化率提高,94%,用户端：流量转化,搜索,浏览,推荐,意图,强度,流量,规模,用户偏好,用户端：流量转化,场景,位置,快速交互,首页推荐,个性化数据,同义词挖掘,专名识别,新词识别,user profile 挖,掘,deal/poi,profile 挖掘,query/deal 的,topic model,评估框架,模型训练,数据清洗,特征抽取,数据流,推荐和搜索框架的统一,搜索推荐平台,Poil化列表浏览,人工规则干预,CTR model,相关性模型,Query,Retrieval,通用数据,Query补全,排序机制,Action model,业务规则,User,Retrieval,关系数据,应,用,层,排,序,层,模,型,层,准,入,层,触,发,层,数,据,层,Flume,Agent,Impression,Log,Order/Click,Log,Deal,DB,Control,Service,Model,1,Model,2,API,Online,train,feature,Labeled,Data,Offline,train,服务架构演进,feature,monitor,高度可配置,LR,SVM,API,Command,应,用,层,模,型,层,选特,择征,一特,化征,归,Chi squared,Standard,Topic,Model,GBDT,Mutual InformaEon,MinMax,分级日志,模型评估,基于,spark,的离线训练平台,美团搜索,历史查询词,查询补全,结果页,搜索系统实践,数据获取时效性,清洗提高准确性,基础数据获取,查询引导,同义词挖掘,团单品类映射,查询分析,系统架构调整,增加吞吐量,改进协议,架构支撑,特征工程,LR,+,GBDT,融合效果,重排序,实时品类偏好,实时下单位置,模型在线更新,实时化,分词/归一,化,查询纠错,语义扩展,意图识别,查询分类,紧密度计算,Term赋权,召回及,排序策略,Query suggestion,相关搜索,热搜词,用户查询自然语言化,检索基于字面匹配，缺乏语义,扩展,语义漂移,查询分析,查询分析面临的问题,用户意图多元化,精确/模糊查询,领域多：寻找吃喝玩乐，购物，旅,游，住宿,策略类型,及占比,商,家,品,类,商,圈,地,标,酒,店,旅,游,商,品,电,影,复合,意图,其,他,改进前,12%,8%,-,3%,-,-,-,1%,-,76%,改进后,21%,17%,7%,5%,6%,2%,1%,4%,9%,28%,意图识别,搜索意图歧义示例及解决方案,找门票还是酒店？,通过意图分类，将“旅,游”意图的POI排序提前,团单品类细分,品类内差异对用户造成的困扰,“咖啡/酒吧/蛋糕”在后,台配置为同一个类目下的,品类,通过文本分类拆分子品类，,或者说打标签,人工定义体系+SVM学习，构建覆盖全面合理的品类类目，更好满,足用户精确品类检索的意图,美团频道筛选,groves,频道筛选实践,数据清洗,在线获取训练,所需特征,数据及特征工程,使用位置信息,引入排序模型,粗排序,新单推荐,使用位置信息,冷启动,Additive,使用位置,分品类细化,重排序,实时品类偏好,实时下单位置,实时特征更新,实时化,poi-user,特征,当前距离,历史距离,最近点击,/,下单,/,支付,历史点击,/,下单,/,支付,deal,特征,CTR/CVR,CVR,折扣力度,是否新单,是否促销,deal-user,特征,商圈,品类,价格,user,特征,终端类型,地理位置,消费水平,品类偏好,CPR,重排序：特征,poi,特征,#评论数,#,有图评论,/,优质评论,CTR/CVR/CXR,rank,Additive,Groves,数值类特征,详情页特有特,征,列表页特有特,征,GBDT,LR,重排序：框架,数据实时化,预测结果随数据更新而变化,2小时销量数据,2小时内数据预测用户实时偏好,进入列表页请求用户地理位置，下单率提升,3%,模型天级更新,Online learning,继续尝试中,美团推荐,其他展位：,搜索无结果推荐，购买后推荐，,评价后推,荐，附近推荐,推荐系统实践,user/,item,cf,相似性调整,经典算法改进,销量预估,用户分群,地理位置偏好,冷启动,附近热单,异地浏览,时间上下文,上下文筛选,LR,GBDT,融合效果,重排序,特征实时化,偏好实时化,算法实时化,实时化,hap:/
展开阅读全文