美团如何通过智能流量分发优化外卖推荐效果？

本文共计11600个文字，预计阅读时间需要47分钟。

美团外卖推荐团队在长期落地实践中，针对外卖业务环境特点，对排序模型进行深入探索与优化。文章介绍了面向环境化构建的‘环境细分+统一模型’构建思路，通过用户行为实现‘行为预测’。

美团外卖推荐团队在推荐算法的长期落地实践中，针对外卖业务情境化特点对排序模型进行深入探索与优化。本文介绍了面向情境化建模的“情境细分+统一模型”建模思路，通过用户行为序列建模以及专家网络两个模块的优化，实现不同场景间对信息独有性的刻画和信息共性的相互传递，进而提升全部流量效率。

• 1. 引言
• ​​2. 问题与挑战​​
• ​​3. 情境化智能流量分发​​

• ​​3.1 情境化长序列检索​​
• ​​3.2 情境化多专家网络​​

• ​​4. 总结和展望​​

1. 引言

美团外卖推荐服务了数亿用户，通过持续优化用户体验和流量分发精准性，为用户提供品质生活，“帮大家吃得更好，生活更好”。对于“用户”，大家可能会有不同的理解，通常的理解是用户即是自然人。业界主要的推荐场景，如淘宝首页猜你喜欢、抖音快手 Feeds 流推荐等大部分也是这么认为的，在这些电商、短视频等业务中，用户无论何时何地使用推荐服务，他们的需求是大体统一的，商品、信息、视频等供给也是一致的。

但实际上，在美团外卖场景下，用户不仅是自然人，更是需求的集合。需求是与情境依存的，也就是有情境就有需求。美团外卖在不同的时间、空间以及其他更广义的环境下，用户需求、商家供给等都有显著区别。因此，本地化、餐饮习惯、即时履约共同构建了美团外卖多种多样的情境，进而衍生出用户多种多样的需求集合，推荐算法情境化可以帮助算法更好地理解并满足不同情境下用户需求。