美团外卖业务平台的处理算法与方案分析

美团外卖业务种类繁多，场景丰富，按照业务特性可分成推介、创意广告、检索三条业务线和几条子业务线，如业者推介、菜肴推介、列表创意广告、外卖检索等，满足数亿用户对快递服务的全面需求。各业务线背后，用户、业者、网站三方面的利益平衡有关:用户需要正确表现结果的业者需要尽可能多的曝光和转换网站需要收入的最大化，算法战略按照模型机制的优化反复，合理维持这三方面的利益平衡，促进生态良性的发展。

随着业务的发展，外卖算法模型也在反复发展。从以前简单的线性模型、树木模型到现在复杂的深度学习模型，估计效果也越来越正确。这不但获益于模型参数的反复更改，还获益于外卖算法网站对计算力增长的工程化支持。外卖算法网站按照统一算法工程框架结构，解决了模型&特征反复的系统问题，大大提高了外卖算法的反复效率。

按照功能，外卖算法网站可分成模型服务、模型训练和特征网站3个部分。其中，模式服务用于提供在线模式估算，模型训练用于提供模型的训练生产，特征网站提供特征和样品的数据支持。这篇文章将主要论述外卖特征网站在建设过程中面临的挑战和优化构想。

照片。

实际上，行业对特色系统的研究比较广泛，比如微信FeationKV存储系统专注于解决特色数据的快速同步问题，腾讯广告特色工程专注于解决机器学习平台中的Prte-Trainor问题，美团酒旅在线特色系统专注于解决高并发情况下的特色存取和生产调度问题，而外卖特色网站专注于提供从样本生成->特色生产->特色计算的一站式链接，用于解决特色快速迭代问题。

随着外卖业务的发展，特征体积也在急速增加，外卖网站面临的挑战和压力也在增加。现阶段网站已对接特性配置近千个，特性维度近60种，日处理特性信息量数十TB，日处理特性千亿级，日排任务数量达数百个。面对大量的数据资源，网站如何实现特征的快速反复、特征的高效计算和样品的配置化？下列是美团销售在平台建设过程中的一些思考和优化思路，希望对大伙儿有所帮助和启发。