一、粗排阶段的核心定位与优化必要性

美团搜索日均处理数十亿次用户请求，在传统”召回-粗排-精排-重排”的四阶段架构中，粗排阶段承担着从百万级候选结果中筛选出千级优质结果的职责。这一环节的性能直接影响后续精排的计算效率与最终展示质量。

传统粗排模型普遍存在三大痛点：1）特征维度单一，过度依赖用户历史行为；2）多目标权衡困难，难以平衡相关性、多样性、商业价值；3）实时性不足，无法快速响应用户场景变化。2022年内部评估显示，粗排阶段导致的优质结果丢失率高达18%，成为搜索质量提升的关键瓶颈。

二、特征工程体系的全面重构

1. 多模态特征融合

引入图像、文本、位置等多维度特征，构建跨模态特征表示。例如在餐饮搜索场景中，将菜品图片的CNN特征与商家描述的BERT向量进行拼接，通过注意力机制学习模态间关联。实验表明，该策略使点击率提升3.2%。

# 多模态特征拼接示例
class MultiModalEmbedding(nn.Module):
    def __init__(self):
        super().__init__()
        self.image_encoder = ResNet50(pretrained=True)
        self.text_encoder = BertModel.from_pretrained('bert-base-chinese')
        self.attention = nn.MultiheadAttention(embed_dim=768, num_heads=8)
    def forward(self, image, text):
        img_feat = self.image_encoder(image)  # [B, 2048]
        txt_feat = self.text_encoder(text).last_hidden_state  # [B, L, 768]
        # 跨模态注意力计算
        attn_output, _ = self.attention(img_feat.unsqueeze(1), 
                                       txt_feat, txt_feat)
        return torch.cat([img_feat, attn_output.squeeze(1)], dim=-1)

2. 上下文感知特征设计

构建用户实时状态特征（如当前位置、时间、设备类型）与查询上下文特征（如历史搜索序列、当前会话意图）的联合表示。采用Transformer架构建模特征时序依赖，在酒店搜索场景中使转化率提升2.7%。

3. 动态特征权重调整

基于强化学习框架，设计特征权重自适应调整机制。通过定义状态（用户画像+查询上下文）、动作（特征权重组合）、奖励（搜索满意度指标），使用PPO算法优化权重分配策略。线上实验显示，该机制使NDCG指标提升1.9%。

三、多目标学习框架的突破

1. MMOE架构的深度定制

针对美团搜索中相关性、多样性、商业价值的冲突目标，改造Multi-gate Mixture-of-Experts架构：

• 专家网络：设计4个领域专家（基础相关、品类偏好、价格敏感、新店探索）
• 门控网络：引入用户长期兴趣与实时场景的联合表示
• 损失函数：采用动态权重调整的加权交叉熵

# MMOE架构实现示例
class MMOE(nn.Module):
    def __init__(self, input_dim, expert_num=4, gate_dim=2):
        super().__init__()
        self.experts = nn.ModuleList([
            nn.Sequential(
                nn.Linear(input_dim, 128),
                nn.ReLU(),
                nn.Linear(128, 64)
            ) for _ in range(expert_num)
        ])
        self.gates = nn.Sequential(
            nn.Linear(input_dim, 64),
            nn.ReLU(),
            nn.Linear(64, expert_num),
            nn.Softmax(dim=-1)
        )
    def forward(self, x):
        expert_outputs = torch.stack([e(x) for e in self.experts], dim=1)
        gate_weights = self.gates(x).unsqueeze(-1)
        return (expert_outputs * gate_weights).sum(dim=1)

2. 帕累托最优解探索

采用NSGA-II多目标优化算法，在训练阶段同时优化点击率、转化率、GMV三个目标。通过构建非支配排序和拥挤度计算机制，生成一组帕累托前沿解。线上部署时采用动态路由策略，根据用户场景选择最优模型。

3. 长期价值建模

引入用户生命周期价值（LTV）预测模块，将未来7天预期消费金额纳入排序信号。通过时序差分学习预测用户长期行为，在旅游搜索场景中使用户次日留存率提升4.1%。

四、实时反馈机制的构建

1. 流式特征更新

搭建Flink实时计算管道，每5分钟更新用户实时偏好特征（如当前所在商圈、近期浏览品类）。通过Kafka消息队列实现特征服务与排序模型的解耦，将特征延迟控制在200ms以内。

2. 在线学习框架

部署基于参数服务器的在线学习系统，支持模型参数的实时增量更新。采用Hogwild!异步并行算法，在保证模型稳定性的前提下，将学习延迟从小时级降至分钟级。

# 在线学习参数更新示例
class OnlineLearner:
    def __init__(self, model):
        self.model = model
        self.parameter_server = ParameterServer()
    def update(self, gradients):
        # 异步参数更新
        for param, grad in zip(self.model.parameters(), gradients):
            self.parameter_server.apply_gradient(param.name, grad)
    def sync(self):
        # 定期全量同步
        for name, param in self.model.named_parameters():
            param.data.copy_(self.parameter_server.get(name))

3. 实时AB测试体系

构建分层实验框架，支持粗排阶段的多维度对比实验：

• 流量分层：按用户ID哈希分为10层
• 指标监控：实时计算点击率、转化率、GMV等核心指标
• 自动回滚：当某实验组指标下降超过阈值时，自动切换流量

五、优化效果与行业启示

经过6个月的持续迭代，美团搜索粗排阶段取得显著成效：

1. 排序效率提升：QPS从1200提升至3500，延迟降低62%
2. 搜索质量提升：NDCG@10提升5.8%，优质结果丢失率下降至7.3%
3. 商业价值提升：GMV同比增长9.2%，新客占比提升3.4个百分点

行业实践表明，搜索粗排优化需要把握三个关键原则：

1. 特征工程优先：构建高维、实时、上下文感知的特征体系
2. 多目标平衡：采用动态权重调整的混合排序策略
3. 实时性保障：建立流式特征更新与在线学习机制

未来发展方向将聚焦于：1）基于图神经网络的复杂关系建模；2）强化学习在动态排序中的应用；3）隐私计算框架下的特征安全共享。这些探索将持续推动搜索排序技术向更智能、更高效的方向演进。