站在业务需求视点看多业务建模在美团搜索排序中的实践

多业务建模在美团搜索排序中的实践
在美团，搜索排序业务场景是典型的多业务混合排序建模问题。不同业务如外卖、酒店、机票、旅游、电影、餐饮等，搜索和排序模型完全不同，且每个业务又有很多子业务，比如外卖可以分为正餐、小吃、甜品、果蔬生鲜等，所以单一模型难以很好地满足所有的业务需求。

针对这些挑战，美团构建了一套多业务建模方法论，在多个多业务场景落地，极大地提升了相关业务的搜索排序效果。

本文聚焦到店商家多业务场景的多业务排序建模优化工作，希望能对从事相关工作的同学有帮助。

多业务建模挑战

在多业务场景下进行搜索排序建模时，主要面临以下几个挑战：

1. 业务差异大： 不同业务的搜索意图、用户需求、排序策略等差异很大，导致难以用单一模型满足所有业务需求。
2. 数据量大： 美团每天有数十亿次的搜索请求，数据量非常庞大，这对模型的训练和部署都带来了很大的挑战。
3. 实时性要求高： 美团搜索排序系统需要实时响应用户的搜索请求，这对模型的在线推理速度提出了很高的要求。
4. 复杂度高： 多业务场景下，模型的复杂度往往很高，这给模型的训练、部署和维护带来了很大的挑战。

多业务建模方法论

为了应对这些挑战，美团构建了一套多业务建模方法论，该方法论主要包括以下几个步骤：

1. 业务分析： 首先，需要对不同业务的搜索意图、用户需求、排序策略等进行详细的分析，以了解不同业务的差异点和共性。
2. 模型设计： 根据业务分析的结果，设计多业务建模方案。该方案需要考虑不同业务的差异点和共性，并能够满足实时性、复杂度等要求。
3. 数据准备： 需要对不同业务的数据进行清洗、预处理，以满足模型训练和部署的要求。
4. 模型训练： 使用准备好的数据训练模型。训练过程中，需要对模型的参数进行调优，以获得最佳的模型效果。
5. 模型部署： 将训练好的模型部署到线上系统，并进行在线推理。
6. 模型评估： 需要对线上模型的效果进行评估，并及时发现和解决模型的问题。

多业务建模实践

目前，美团已将多业务建模方法论应用到多个多业务场景中，取得了很好的效果。其中，本文重点介绍到店商家多业务场景的多业务排序建模优化工作。

到店商家多业务场景下，搜索排序面临着巨大的挑战。首先，到店商家业务种类繁多，涵盖餐饮、休闲娱乐、生活服务等多个领域，不同业务的搜索意图、用户需求、排序策略等差异很大。其次，到店商家数据量非常庞大，每天有数亿次的搜索请求，这对模型的训练和部署都带来了很大的挑战。第三，到店商家搜索排序系统需要实时响应用户的搜索请求，这对模型的在线推理速度提出了很高的要求。

针对这些挑战，美团构建了一套多业务建模方案，该方案主要包括以下几个部分：

1. 多业务模型框架： 美团构建了一个多业务模型框架，该框架可以支持多种不同业务的模型训练和部署。
2. 多业务模型训练： 美团使用不同的数据训练不同的模型，并对模型的参数进行调优，以获得最佳的模型效果。
3. 多业务模型融合： 美团使用多种模型融合的方式将不同业务的模型融合成一个最终的模型，该模型能够满足不同业务的需求。
4. 多业务模型部署： 美团将训练好的模型部署到线上系统，并进行在线推理。

多业务建模效果

美团多业务建模方法论已经在多个多业务场景中落地，取得了很好的效果。其中，到店商家多业务场景的多业务排序建模优化工作取得了以下几个方面的效果：

1. 搜索排序效果提升： 多业务排序建模优化后，到店商家搜索排序效果得到了显著提升，用户满意度大幅提高。
2. 模型复杂度降低： 多业务排序建模优化后，模型的复杂度大大降低，这使得模型的训练、部署和维护更加容易。
3. 模型实时性提升： 多业务排序建模优化后，模型的在线推理速度得到了显著提升，这使得模型能够更好地满足实时性要求。

总结

美团多业务建模方法论已在多个多业务场景中落地，取得了很好的效果。本文重点介绍了到店商家多业务场景的多业务排序建模优化工作，该工作取得了显著的效果，极大地提升了到店商家搜索排序的效果。

未来，美团将继续探索多业务建模方法论，并将其应用到更多的多业务场景中，以进一步提升搜索排序的效果。