深度学习赋能美团搜索广告，精准推荐引流

在计算广告场景中，需要平衡和优化三个参与方——用户、广告主、平台的关键指标，而预估点击率CTR（Click-through Rate）和转化率CVR（Conversion Rate）是其中非常重要的一环。准确地预估CTR和CVR对于提高流量变现效率，提升广告主ROI（Return on Investment）至关重要。

深度学习技术在CTR和CVR预估领域取得了显著的成果。深度学习模型能够自动学习到样本中的非线性关系，并通过多层网络结构提升模型的表达能力，从而提高预估的准确率。此外，深度学习模型还具有泛化能力强，能够很好地处理稀疏数据和高维数据等特点。

美团搜索广告平台是国内领先的搜索广告平台之一，每天有数亿次的搜索请求。为了提高搜索广告的质量和相关性，美团搜索广告团队采用了深度学习技术来对搜索广告进行排序。

深度学习在美团搜索广告排序中的应用

美团搜索广告排序模型主要分为两部分：召回模型和排序模型。召回模型负责从候选广告中选取一部分相关性较高的广告作为候选广告池，排序模型则负责对候选广告池中的广告进行排序，并最终输出排名列表。

召回模型

召回模型采用基于深度学习的双塔模型结构。双塔模型由两个独立的塔组成，分别是用户塔和广告塔。用户塔负责对用户兴趣进行建模，广告塔负责对广告内容进行建模。两个塔的输出向量通过拼接或者其他方式融合，形成最终的召回分数。

用户塔

用户塔采用基于深度学习的Embedding技术对用户兴趣进行建模。Embedding技术可以将离散特征（如用户ID、性别、年龄等）转换为稠密向量，从而方便深度学习模型进行学习。

广告塔

广告塔采用基于深度学习的TextCNN模型对广告内容进行建模。TextCNN模型可以自动学习到广告文本中的重要信息，并将其转换为稠密向量，从而方便深度学习模型进行学习。

排序模型

排序模型采用基于深度学习的Wide&Deep模型结构。Wide&Deep模型由两部分组成，分别是Wide部分和Deep部分。Wide部分负责对线性特征进行建模，Deep部分负责对非线性特征进行建模。两个部分的输出向量通过拼接或者其他方式融合，形成最终的排序分数。

Wide部分

Wide部分采用基于线性回归的模型结构。线性回归模型可以对线性特征进行建模，并通过线性加权的方式计算最终的排序分数。

Deep部分

Deep部分采用基于深度学习的多层感知机（MLP）模型结构。MLP模型可以对非线性特征进行建模，并通过多层网络结构提升模型的表达能力。

深度学习技术在美团搜索广告排序中的效果

深度学习技术的应用显著提升了美团搜索广告的排序质量和相关性。通过对线上流量的实验对比，深度学习模型的CTR提升了10%以上，CVR提升了5%以上。这表明深度学习技术可以有效地提高搜索广告的流量变现效率和提升广告主的ROI。

总结

深度学习技术在美团搜索广告排序中的应用取得了显著的成果。深度学习模型能够自动学习到样本中的非线性关系，并通过多层网络结构提升模型的表达能力，从而提高预估的准确率。此外，深度学习模型还具有泛化能力强，能够很好地处理稀疏数据和高维数据等特点。

美团搜索广告团队将继续探索深度学习技术在搜索广告领域的应用，以进一步提高搜索广告的质量和相关性，为用户和广告主提供更好的服务。