[[196940]]

很多同學認為外賣是線上下單、線下送餐的業務，商業模式簡單，這種想法正確但是理解片面，它不僅需要技術，而且要用深度學習來解決。那么，外賣為什么需要技術?為什么需要深度學習技術?

深度學習對于送餐的價值，大家簡單了解一下外賣業務的場景和特點，就能理解其中需要通過技術方式來解決的難點了。

 從業務場景上劃分，是團購、點評、預訂和外賣：

團購，像過去的美團、大眾點評，當然這兩家公司現在合作了，還有之前的窩窩、拉手以及百度糯米。

外賣，像美團外賣、餓了么。

點評，像經典的以信息平臺的方式給用戶提供信息決策的大眾點評。

預訂，美團在做的點餐相關的很多業務。

事實上，外賣上的 O2O 線下場景及其業務模式，要遠比上圖所表達的要復雜。

而整個外賣行業的發展非常快，我們 2014 年的訂單才剛突破 100 萬，但是到今年 6 月份的時候，我們的訂單量已經突破了 1200 萬。

外賣業務相比團購、電商的平臺有四個業務特點：電商化、運營化、本地化、場景化。

 首先說電商化，外賣的交易能夠閉環。這一點跟電商在淘寶京東的模式比較類似，但是不一樣的地方在于它是線上線下結合，所有提供服務的店鋪都是實體的，不管餐飲還是非餐飲。

  

 接下來是運營化的特點，一個是內容形式的多元化，包括商家，餐飲的、非餐飲的，餐飲有很多套餐的組合;內容形態上能看到產品的形態，目前這一塊還不明顯。

另外是運營能力，包括商家自運營的能力、BD 自運營的能力、騎手的運營能力，這些都不是完全一樣的。

 另外一個特點是本地化。對于用戶來講，他一般只能消費到綠色區域商家提供的服務，這就決定了它的供需關系是受約束的。

還有一塊是供需關系的動態變化。動態變化首先商家不是 24 小時營業的，另外是商家的配送距離也是動態變化的。

從技術角度滿足整個服務的動態變化，就需要個性化的數據，這是一個很大的挑戰。

 ***一個是場景化。上圖是外賣訂單按一天24小時的分布曲線圖，有兩個高峰，一個是午餐高峰，另外一個就是晚餐高峰。這個是時間的一個時段化。對于基本吃的場景來講，用戶吃的地域性或者本地化的差異比較大。

綜合這幾個業務特點來看，一個是個性化程度很高，另外一塊精細化的需求很大。

我們在時間場景上、地域場景上，甚至更細的業務場景上，要把精細化程度做深;另外一塊是多元化的特點，形態多元、內容多元包括供給單位的多元;還有實時化程度很重要，配送這一塊的距離在實時變化，我們需要做實時監控。

針對這些業務的特點，我們要去解決這些技術挑戰需要什么樣的基礎工具?

下面簡單介紹一下美團點評的整個大數據平臺。

美團點評的大數據平臺架構

 美團點評大數據平臺的架構，***層是美團的基礎設施，美團有自己的云平臺，所以所有的服務器都在云平臺上。

云平臺之上是基礎的 HDFS 這樣的服務，像 Hbase 這些相關的基礎設施。上面一層是機器學習平臺，非線性數目性的工具都有相應的部署。

最上面是美團點評幾個大的業務群，包括酒店、旅游的業務，包括娛樂這樣綜合的業務，包括整個公司的廣告平臺。

在主架構之上有一個 Log 平臺，因為業務很多，所以業務產生的數據，不管是 B 端還是 C 端，很多數據都會統一落到 Log 平臺上，由 Log 平臺對接到頂層業務平臺上。

另外一個就是監控平臺，服務監控、數據監控以及業務調度。

美團點評的深度學習應用實踐

接下來，給大家簡要介紹美團點評深度學習的兩個關鍵應用場景。

應用場景1：圖像技術

美團平臺上的技術內容多樣化，包括圖像和文字，尤其用戶在手機上面，會做很多決策的時候，圖像對他的決策影響至關重要。

在圖像這塊，我們做了兩個關鍵事情，一個是圖像質量的技術，另一個是 OCR 技術。

 圖像質量技術有什么應用場景?如上圖所示，左側這個圖明顯看著比較舒服，右側圖就看著亂七八糟，這個很難主觀描述，就是人的直觀感覺。

具體來說，左側兩個圖片的清晰度可能高一點，或者完整度高一些。在用戶做決策的時候，如果我們在平臺上面分的是質量比較高的圖片，用戶整個點擊會比較快。

對商家來講，用戶很容易發生需求匹配的轉化。但是右側這個圖來講，整個體驗轉化的能力上會相對比較弱。

基于這個背景，我們對圖像質量進行判斷，發現存在一些關鍵的難點和挑戰，主要有三個關鍵點：

標準評判很難，包括定義它的清晰度、完整度還有圖片里面的構成，整個行業也沒有對圖像質量的標準定義。

用戶的關注點不一樣，有些用戶可能關注圖片是否清晰，有些用戶關注圖片是不是完整，有沒有關鍵的信息給切走。

人工標注成本高。

 怎么解決這幾個問題?我們引入了建模的方式，一個像美學的課程，另一個是圖像基礎的特征，并在樣本標注上采用自動化標注的方式。

我們去看圖片的來源，直觀的理解是用戶自動上傳的圖片，也就是 UGC 的圖片，質量相對差一些。我們專業的人員開設的圖片質量會好一些，可以做一些基本的標注。

另外一塊是基于用戶行為來看，我們會展示給用戶點擊比較多的圖片，可能是用戶感興趣或者質量比較好的圖片;點擊比較少的圖片，我們認為它是質量比較差的圖片，這樣可以通過自動化的方式把樣本標注出來。

在圖片輸入上，我們沒有直接給每個圖片識別它是高質量、中質量還是低質量的圖片，基本上采用的是一個學習的方式，比如圖片的美感，通過 DNN 方式來判斷圖片，包括它的品類，屬于快餐、西餐還是簡餐之類。

另外一塊是基礎特征，圖像的色彩，包括圖像的對比度。

這些基礎特征也可以用來做整個建模，還有一塊是整個在深度學習上面，我們有直接去做，通過 KOS 的方式判斷哪一個圖像質量比較好，哪一個圖像質量比較差，最主要是從一堆圖片里面選擇比較好的圖片展示給用戶。

涉及到的數據比較商業化，整體來講，建模做完了之后，我們用戶體驗式得到了提升。

應用場景2：OCR技術

前面是整個圖像質量的一個技術，接下來說說 OCR 的技術。OCR 是做數據的檢測，OCR 在美團外賣有哪些比較關鍵的應用呢?

比較大的方面是自動審核，為了保證給用戶提供可靠的服務或者優質的服務，我們需要審核商家的牌照，商家的經營許可證，商家的產品質量，這一塊如果用人工審核的話，人力成本會很高。

另外一塊是自動錄入，商家入住到外賣平臺之后，要把菜錄入到上面去，尤其商家要不斷的改菜單，不斷的錄入菜單，這一塊是自動錄入的過程，這是我們基本應用上的兩個需求點。

圖像有很多成像的方式，另外一塊文字很復雜，很多圖片上的文字不是標準的楷體，各種各樣亂七八糟的字體會有，甚至還有變形的字體，圖像的背景很復雜，或者說人看到都很難區分這種場景，這對整個 OCR 提出了技術難點的挑戰。

怎么解決這些問題呢?

OCR 識別的技術是我們發現比較關鍵的技術，文字的檢測首先從圖片開始，比如我們檢測哪一些是圖片里面的文字，哪一些是圖片本身。

另外一塊是文字的識別，我們檢測到圖片之后，怎么把里面的文字識別出來，這一塊整體采用的是 CNN 方式，加入 BLSTM 的模式，考慮了整個序列建模的能力，***一塊是 CTC 的序列識別模型。

我們整個過程由原來人工審核變成了自動化的過程，整個運營效率得到了很大的提升。

美團點評DNN在評估模型中的應用

接下來詳細介紹一下 DNN 在預估模型上面的應用，包括前面也講了會涉及到很多預估，預估在整個算法領域用的非常多，比如說廣告里面涉及到的 CTR 的預估。如果我們優化目標可能是 CTR 那就是 CTR 的預估，還有很多 ROI 的預估。

最近幾年，國內外互聯網大公司都在研究基于 DNN 的模型，怎么把原來傳統的模型可能存在的一些缺點進行改進，這是我們在做的一些相應的探索。

首先簡單介紹一下我們的業務模型。前面介紹了業務的特點，基于業務特點，用戶的模型是什么樣的，有幾個關鍵的步驟，用戶做決策時看到了相關的信息之后，這個是不是用戶的目標需求，決定了用戶的消費決策。

先點擊，點擊之后進入到商家的點菜頁里面，可以加菜或者減菜，之后用戶可以提交訂單，提交之后用戶有一系列的輸入、地址等，之后就是支付了，***就進入到商家系統。

整個流程像一個漏斗，在這個漏斗里面每一場都有相應的轉化，我們可以去做預估，也可以對整個鏈路做一個完整的預估。

另外一塊是在這樣一個預估模型里面，我們通過多個維度的特征表述這個樣本，我們采用某一種學習模型，得到最終的預制結果。

在外賣的場景上，特征的維度更復雜，前面提到用戶的特征這是最基本的，另外一塊包括場景層面地點的特征，不同的建筑物類型，用戶需求的不同，包括時間也涉及到配餐的特征，用戶肯定傾向于配送比較快的結果。

這個又分不同的業務場景，比如說吃午飯 12 點餐，你可能希望十分鐘送過來，你想吃水果你可以等三個小時。

什么是特征組合?

另外一個就是商家的特征，最主要是商家提供的商品，采用直營的模式，每一個實體的飯店，包括飯店的質量和整體的轉化能力，其中經營能力有很多的特征，還有商品的特征。

從這個角度來看，整個定特征的過程中，特征很多，這么多的維度都可以切出來不同的模式，怎么去定義特征，怎么組合特征的過程成本很高，這個過程依賴于人工經驗，在整個行業里面個性化推薦效果比較好，為什么效果比較好呢?

除了技術比較好之外，在業務這一塊做了很多特征的定義，除了技術本身要深入的理解，業務上也有很多的特征和經驗。另外一塊是特征選擇很大，特色比較多了之后做特色選擇成本是很高的，怎么樣把有價值的選出來。

剛才提到幾個關鍵點是 DNN 比較擅長的能力，為什么我們會嘗試很多的 DNN 呢?

一方面是傳統的模型已經研究了很多年了，另外一塊在傳統的模型上面，它有一些不足。

它的優點是速度很快，基本上是線性模型，我們用千億級的特征，但是它的缺點在于因為它是線性的，所以非線性的能力是比較弱的。但是實際的場景里面不是簡單的線性化，而是非線性化，甚至更復雜的構成。

另外一塊因為是線性的，所以最基本的邏輯認為它是單維的，需要我們每個人手動的組合特征，組合特征就涉及到如果人工安排，我們如果準備三個就三個，如果多個就很復雜，所以特征組合的成本很高。

樹模型的應用

樹模型可以解決特征組合的問題。同時還能解決整個樹空間的問題，把整個空間做了一個多維度，不是簡單的通過線性的切分方式，所以它的解決就是線性能力受限的問題。

比如說前面提到的有業務的類型，有快餐、簡餐、西餐;另外一塊是文本特征，這一塊樹模型上面不是那么擅長的，所以基于此我們嘗試多個 DNN 的模型。

整個系統的架構架構分為兩個大的層次，首先是基本的數據層，包括用戶來了之后在 APP 上面，包括我們的 API、很多業務的數據，上面分兩塊，一個是離線的數據處理，一個是在線實時的數據處理。

離線數據有幾個關鍵的步驟，另外一個在線的整個邏輯上比較類似，核心的邏輯部分就是包括端達到 API，API 到后來的 Service，這個用戶是使用技術還是某一個線，這個按照業務特點的規則要做一個排序的。

再看一下整個在外賣上面關鍵特征的體系，一個是用戶維度，一個是商戶維度。

我們從用戶畫像來看，一個是基本用戶是男生還是女生，或者是它的行業是學生還是白領，有哪一些偏好，他喜歡吃粵菜還是北京菜，還有另外購買能力，一頓飯吃一百塊還是 20 塊錢，另外還有優惠的偏好很多的信息。

商戶這一層包括商戶的基本信息，也有商家用的第三方的配送，也有用的美團點評，所以在配送的時效性這一塊有很大的差別，這個是單獨的特征，另外還有各種組合特征和關聯特征。

 

比如說一個用戶瀏覽次數是多少，點擊次數是多少，下單次數是多少，以及對應的點擊率是多少，有很多交叉的特征。

熟悉了政策體系之后，首先我們嘗試了 Google 經典的 Deep Model，分成兩塊，特征進去之后做***的一個預測得到相應的結果。

 

接下來簡要介紹一下，Wide 這一塊可以輸出單一的特征，又可以輸出組合的特征，需要把特征轉到一個 Model 空間里面去，在 Deep 這一塊可以根據業務的特點是去試用或者調參數。

另外一塊是做特征時，雖然它是高維的，但是可以把高維轉到低維空間里面，這一塊是更詳細的一個圖，這個圖里面我們把特征做了分層，也可以做的比較靈活一些，可以在不同的廠商，或者有的廠商可以介入到最終的邏輯回歸那一層。

在做模型的過程中，關鍵的就是離線，離線一個是樣本處理，包括樣本的清洗還有爬蟲過濾，爬蟲現在不少，這些爬蟲的數據對整個的效果影響很大。

另外還有無效的加載，材料的優化，怎么調價樣本還是副樣本都很關鍵，我們采用用戶的點擊設想給它。

在業界里面用的比較多的，甚至他是新用戶使用優惠才點，這個是表述它的興趣的內容，我們做了一些篩選，選出來相對一定頻度的用戶，或者是商品作為整個的樣本空間，準確的來做數據。

前面提到的 Model 把不同的特征做了不同層次的劃分，不同層次的劃分在不同模型上使用，特征能力用的比較強，但是大家也看到，前面模型使用特定的特征，沒有考慮到實序的特征。

實際上用戶進入到一個場景，不管是電商的產品還是外賣產品的時候，用戶肯定會有一系列的行為。

比如說在最終下單之前，還有就是去構建實際的序列，同時把實際的序列作為每個時段的輸入，同時每個時段去做相應特征的項目，最終做一個完整的預測得到相應的結果。

這里面是使用經典 RNN 的模型，大家可以嘗試一下長短序列機的模型。

這一塊因為涉及到用戶的實時架構，所以簡要介紹一下我們實時系統的架構。基本上，首先是用戶的個人行為的數據，進入序列之后，根據數據做相應的梳理。

從整個 KV 結構里面，同時去做多層指標的監控，監控這個數據是不是正常的，我們怎么樣對日常的數據做一些相應的處理。

接下來簡單介紹一下用戶的信息，一個是輸入，以不同的應用場景去選擇，實際上在點擊用戶場景里面可以點擊用戶觀看，同時它的每一個輸入需要做相應的 one—hot 這種輸入。

輸出的也可以做一個序列，這個序列可以根據實際的場景控制，序列里面根據概率我們去選擇的時候，按照一定概率的排序去給用戶一個相應的序列結果，精準的標識用戶的需求。

在這里面，關鍵點是序列的長度。序列的長度根據不同的業務方式去調整，序列太長了，一方面可能會很稀疏，另外一方面計算的時間很高。

序列太短的情況下，用戶的信息不會被充分的挖掘，需要按照一定的時間窗做相應的選擇。最終的收益是我們給用戶推薦結果的精準度提升了很多，提升了整個平臺的轉化效果和收益。

結語

對外賣來講，業務很關鍵，如何把最終的效果做好?不但要從技術的角度上理解，我們還需要對業務有更深入的理解，理解業務之后決定采用什么樣的技術來解決這個問題。

另外在算法選擇上，在整個算法里，一下子找到牛逼的方法需要做很多的嘗試，我們需要嘗試很多的模型，同時需要做總結，在什么樣的場景，什么樣的問題上用什么樣的策略方式是比較合適的。