一、粗排阶段在搜索系统中的战略定位

美团搜索系统作为连接用户需求与商家供给的核心链路，日均处理亿级查询请求，其排序架构采用”粗排-精排-重排”三级联动模式。粗排阶段作为首道筛选关卡，需在毫秒级响应时间内从千万级候选集中筛选出千量级优质结果，其效率与准确性直接影响后续精排阶段的计算资源分配与最终排序质量。

传统粗排方案多采用LR、GBDT等轻量级模型，通过手工特征工程实现快速筛选。但随着美团业务场景的多元化发展（涵盖外卖、酒店、旅游、丽人等200+垂直领域），传统方案面临三大挑战：1）特征表达能力有限，难以捕捉复杂查询意图；2）多目标平衡困难，需同时优化点击率、转化率、GMV等业务指标；3）实时性要求提升，需快速响应商家动态变更（如库存、价格调整）。

二、技术演进路径：从规则系统到深度学习

1. 特征工程体系重构

初期粗排系统依赖200+维人工特征，包括基础属性（品类、价格区间）、统计特征（历史点击率）、上下文特征（时间、位置）等。通过特征重要性分析发现，30%的低效特征消耗了40%的计算资源。优化方向包括：

• 特征筛选自动化：基于XGBoost的SHAP值分析，构建特征重要性评估框架，动态淘汰低效特征，将特征维度压缩至120维
• 交叉特征生成：采用Field-aware Factorization Machine（FFM）自动挖掘查询词与商品属性的交叉关系，例如”亲子酒店”查询与”儿童乐园”属性的关联
• 实时特征引入：通过Flink流计算平台构建实时特征管道，将商家库存状态、实时价格等动态信息纳入排序

2. 模型架构升级

传统模型优化实践

GBDT模型在美团初期粗排中表现稳定，但存在特征交互能力不足的问题。通过以下改进显著提升效果：

# GBDT超参优化示例
params = {
    'objective': 'binary:logistic',
    'metric': 'auc',
    'max_depth': 8,          # 增加树深度提升特征交互能力
    'num_leaves': 128,       # 扩大叶节点数量
    'min_child_weight': 5,   # 防止过拟合
    'subsample': 0.8,        # 行采样
    'colsample_bytree': 0.8  # 列采样
}
model = xgb.train(params, dtrain, num_boost_round=200)

优化后模型AUC提升3.2%，但面对复杂查询场景仍显不足。

深度学习模型探索

2019年起逐步引入深度排序模型，关键技术突破包括：

• 双塔结构优化：采用User-Item分离建模，用户塔融合查询词、历史行为、实时上下文等特征，商品塔整合商品属性、服务质量、商家画像等信息。通过增加塔深至8层，显著提升特征表达能力。
• 注意力机制应用：在交叉特征层引入Self-Attention模块，动态捕捉查询词与商品属性的关联强度。例如对于”无糖饮料”查询，模型可自动聚焦商品成分表中的”赤藓糖醇”等关键词。
• 多目标学习框架：构建MTL（Multi-Task Learning）模型同时优化点击率（CTR）、转化率（CVR）、GMV三个目标，通过门控机制动态调整各目标权重。

3. 工程架构创新

为支撑深度模型的高效推理，工程团队实施了系列优化：

• 模型压缩技术：采用量化感知训练（QAT）将模型权重从FP32压缩至INT8，推理延迟降低60%
• 特征服务优化：构建分级特征缓存体系，静态特征存储于Redis集群，动态特征通过本地Cache加速访问
• 异步计算框架：将特征预处理与模型推理解耦，通过线程池并行处理提升吞吐量

三、业务价值验证与持续优化

1. 离线评估体系

构建包含AUC、NDCG、Precision@K等10+指标的评估矩阵，特别针对美团业务特点设计：

• 长尾查询优化：将查询频次低于10次/日的查询单独分组评估，确保模型对低频需求的覆盖能力
• 多目标相关性：设计综合指标Score = 0.4*CTR + 0.3*CVR + 0.3*GMV_norm，平衡各业务目标

2. 在线AB测试

通过流量分桶进行严格对比实验，关键指标提升显著：

• 核心品类：外卖场景CTR提升5.2%，CVR提升3.8%
• 长尾品类：酒店预订场景长尾查询覆盖率提升22%
• 资源效率：精排阶段计算量减少35%，整体CPU利用率下降18%

3. 持续迭代机制

建立”数据监控-问题定位-模型优化”闭环：

• 实时监控：通过Prometheus+Grafana构建指标看板，实时追踪模型性能波动
• 自动回滚：当检测到关键指标下降超过阈值时，自动切换至上一稳定版本
• 增量学习：基于新采集的训练数据，每周进行模型微调，保持对业务变化的适应性

四、开发者实践建议

1. 特征工程方法论：

   • 优先构建可解释性强的统计特征，再逐步引入复杂模型
   • 建立特征质量监控体系，定期淘汰低效特征

2. 模型选型策略：

   • 业务初期可采用GBDT+LR的组合方案，快速验证效果
   • 数据量超过百万级后，逐步引入深度学习模型

3. 工程优化方向：

   • 模型服务化：通过gRPC框架封装模型推理接口
   • 特征计算下推：将部分特征计算迁移至数据源端

4. 评估体系构建：

   • 离线评估注重指标全面性，在线评估关注业务核心指标
   • 建立灰度发布机制，控制变更风险

美团搜索粗排系统的优化实践表明，通过特征工程体系重构、模型架构升级、工程架构创新三方面的协同改进，可在保证系统实时性的前提下，显著提升排序质量与资源效率。未来将持续探索图神经网络、强化学习等前沿技术在粗排阶段的应用，进一步优化多目标平衡与长尾需求覆盖能力。