一、粗排阶段的核心定位与优化必要性

在美团日均数亿次搜索请求的场景下，搜索系统需在毫秒级时间内完成从海量商品库（亿级）中筛选出千级候选集供精排阶段处理。粗排作为搜索链路的首道关卡，承担着”效率守门人”的关键角色。其核心矛盾在于：如何在保持高召回率的同时，通过特征降维与模型轻量化实现QPS（每秒查询数）的指数级提升。

传统粗排方案多采用规则引擎或简单机器学习模型，存在三大痛点：1）特征维度受限导致相关性不足；2）模型表达能力弱难以捕捉复杂模式；3）工程架构无法支撑高并发场景。美团搜索团队通过三年技术演进，构建了”特征-模型-架构”三位一体的优化体系，使粗排阶段QPS提升400%，而NDCG（归一化折损累积增益）指标仅下降3.2%。

二、特征工程的系统性重构

1. 多模态特征融合体系

针对餐饮、酒店、旅游等垂直领域的特性，构建了包含文本、图像、时空、行为四大类200+维度的特征体系：

• 文本特征：采用BERT-base模型提取商家标题、标签的语义向量，结合TF-IDF加权的关键词匹配度
• 时空特征：引入LBS（基于位置的服务）热力图，动态计算用户位置与商家距离的衰减系数

  def calculate_distance_weight(user_lat, user_lng, shop_lat, shop_lng):
    earth_radius = 6371  # 地球半径(km)
    dlat = math.radians(shop_lat - user_lat)
    dlng = math.radians(shop_lng - user_lng)
    a = math.sin(dlat/2)**2 + math.cos(math.radians(user_lat)) * \
        math.cos(math.radians(shop_lat)) * math.sin(dlng/2)**2
    distance = 2 * earth_radius * math.asin(math.sqrt(a))
    return max(0, 1 - distance/10)  # 10km内线性衰减

• 行为特征：构建用户实时行为序列（点击、收藏、下单），采用Transformer模型提取时序模式

2. 特征选择与降维技术

通过XGBoost的特征重要性分析，筛选出Top50核心特征，结合PCA主成分分析将维度压缩至32维。创新性引入动态特征门控机制，根据用户设备类型（APP/H5/小程序）动态调整特征权重，使移动端响应时间降低35%。

三、排序模型的迭代演进

1. 双塔模型的深度优化

针对传统双塔结构（User Tower & Item Tower）存在的信息损失问题，提出多视角交互增强架构：

• 在User Tower中引入注意力机制，动态聚合用户历史行为中的领域偏好
• 在Item Tower中融合商家多模态信息（图片特征、评论情感分）
• 通过Co-Attention层实现用户-商品的细粒度交互

实验表明，该架构使AUC指标提升7.3%，而推理延迟仅增加2ms。

2. 轻量化模型部署策略

为满足高并发场景需求，开发了模型蒸馏-量化-剪枝联合优化框架：

1. 使用Teacher-Student架构，将BERT-large模型的知识迁移至BiLSTM学生模型
2. 采用8位定点量化，模型体积压缩至1/4
3. 通过L1正则化实现参数剪枝，去除30%冗余连接

最终部署的模型在保持98%精度的情况下，推理速度提升12倍，支持单机2000+ QPS。

四、工程架构的革命性升级

1. 分布式粗排服务架构

构建了分层存储-异步计算-流式更新的三层架构：

• 特征存储层：采用Redis Cluster存储实时特征，P99延迟<1ms
• 计算引擎层：基于Flink实现特征预计算与模型推理的流批一体处理
• 索引服务层：使用HNSW（分层可导航小世界图）算法构建近似最近邻索引，使向量检索效率提升10倍

2. 动态负载均衡机制

针对搜索请求的波峰波谷特性，开发了智能扩缩容系统：

• 通过Prometheus监控实时QPS与延迟指标
• 采用Kubernetes的HPA（水平自动扩缩）策略，设置多级阈值触发扩容
• 结合预测算法提前10分钟预扩容，消除冷启动延迟

该机制使资源利用率提升40%，年度成本节约超千万元。

五、效果评估与业务价值

经过6个月的AB测试，优化后的粗排系统取得显著成效：

• 效率指标：单机QPS从800提升至3500，P99延迟从45ms降至12ms
• 质量指标：粗排阶段召回率提升5.2%，精排阶段输入质量显著改善
• 业务指标：搜索转化率提升1.8%，用户搜索时长减少23%

特别在餐饮高峰期（1800），系统稳定支撑了每秒1.2万次的搜索请求，确保用户”即搜即得”的体验。

六、行业启示与技术展望

美团搜索粗排优化实践为高并发排序系统提供了宝贵经验：

1. 特征工程是基础：多模态特征融合能显著提升模型表达能力
2. 模型轻量化是关键：通过蒸馏量化实现精度与速度的平衡
3. 架构弹性是保障：分布式流式计算应对流量洪峰

未来技术演进方向包括：

• 引入图神经网络捕捉用户-商品-场景的复杂关系
• 开发实时特征学习框架，实现特征动态更新
• 探索量子计算在超大规模排序中的应用潜力

通过持续的技术创新，美团搜索团队正推动粗排技术从”可用”向”智能”进化，为用户提供更精准、更高效的搜索服务。