美团搜索粗排优化的探索与实践

引言

在互联网搜索场景中，粗排（Coarse Ranking）作为精排（Fine Ranking）的前置环节，承担着从海量候选集中快速筛选出高质量候选集的重要任务。美团作为国内领先的本地生活服务平台，其搜索系统每日需处理数亿次请求，粗排性能直接影响用户搜索体验与平台业务指标。本文将从粗排模型结构优化、特征工程改进、排序指标优化三个维度，系统梳理美团搜索粗排的优化实践，为同类业务提供可复用的方法论。

一、粗排模型结构优化

1.1 传统双塔模型的局限性

早期美团搜索粗排采用双塔模型（User Tower & Item Tower），通过分别计算用户与商品的嵌入向量，再通过点积或余弦相似度计算匹配分数。该模型结构简单、计算高效，但存在两大缺陷：

• 特征交互缺失：双塔模型仅能捕捉用户与商品的独立特征，无法建模两者间的复杂交互（如用户历史行为与商品属性的交叉影响）。
• 信息损失严重：为压缩计算量，双塔模型通常使用浅层网络（如2-3层MLP），导致高阶特征提取能力不足。

1.2 动态图卷积网络的引入

为解决上述问题，美团团队引入动态图卷积网络（Dynamic Graph Convolutional Network, DGCN），其核心创新点包括：

• 动态图构建：以用户历史行为序列为节点，构建动态异构图（Heterogeneous Graph），通过图结构捕捉用户兴趣的演化路径。
• 多阶特征交互：利用图卷积操作（GCN Layer）显式建模用户-商品、商品-商品间的多阶交互，例如：

  # 伪代码：图卷积层实现
  def gcn_layer(input, adj_matrix, weight):
      # input: 节点特征矩阵 [N, D]
      # adj_matrix: 邻接矩阵 [N, N]
      # weight: 可学习参数 [D, D']
      support = torch.mm(input, weight)  # 特征变换
      output = torch.spmm(adj_matrix, support)  # 邻域聚合
      return output

• 轻量化设计：通过稀疏矩阵运算与量化技术，将模型参数量从亿级压缩至百万级，满足线上实时推理需求。

实践效果：在美团到店业务中，DGCN模型相比双塔模型，点击率（CTR）提升12%，转化率（CVR）提升8%，同时QPS（每秒查询量）保持稳定。

二、特征工程改进

2.1 用户行为序列的深度挖掘

用户历史行为是粗排阶段最核心的特征来源。美团团队通过以下技术优化行为序列特征：

• 行为去噪：利用HMM（隐马尔可夫模型）识别并过滤异常行为（如刷单、误点击），提升行为序列的纯净度。
• 时序模式挖掘：引入Transformer架构的注意力机制，捕捉用户兴趣的时序依赖性。例如：

  # 伪代码：自注意力机制实现
  def self_attention(query, key, value):
      # query, key, value: 行为序列特征 [T, D]
      scores = torch.bmm(query, key.transpose(1, 2)) / (D ** 0.5)  # 缩放点积
      attn_weights = torch.softmax(scores, dim=-1)  # 注意力权重
      output = torch.bmm(attn_weights, value)  # 加权求和
      return output

• 多模态融合：结合用户搜索词、点击商品图片的视觉特征（通过ResNet提取），丰富行为序列的表征维度。

2.2 商品特征的动态增强

商品特征需兼顾静态属性（如品类、价格）与动态属性（如库存、销量趋势）。美团通过以下方式优化商品特征：

• 实时特征更新：利用Flink流计算框架，每5分钟更新商品销量、评价数等动态特征，确保粗排模型捕捉最新业务状态。
• 特征交叉组合：通过AutoML工具（如Google的TFX）自动搜索高阶特征组合（如“价格×销量”），减少人工特征工程成本。

三、排序指标优化

3.1 多目标排序框架

美团搜索需同时优化CTR、CVR、GMV（成交总额）等多个目标。团队采用多门控专家模型（Multi-Gate Mixture-of-Experts, MMoE），其结构如下：

• 共享底层网络：提取用户与商品的通用特征。
• 多专家网络：每个专家网络专注于一个特定目标（如CTR专家、CVR专家）。
• 门控网络：动态分配各专家网络的权重，实现目标间的自适应平衡。

实践效果：在美团外卖业务中，MMoE模型使CTR提升9%、CVR提升7%、GMV提升6%，显著优于单目标模型。

3.2 排序策略的动态调整

为应对业务波动（如促销活动、季节变化），美团团队设计了一套动态排序策略：

• 在线学习（Online Learning）：通过FTRL算法实时更新模型参数，快速适应数据分布变化。
• A/B测试框架：构建多组排序策略并行实验，通过贝叶斯优化自动选择最优策略组合。

四、总结与展望

美团搜索粗排的优化实践表明，通过模型结构创新（如DGCN）、特征工程深化（如行为序列挖掘）、排序指标多目标化（如MMoE），可显著提升搜索系统的性能与业务价值。未来，美团将进一步探索以下方向：

• 图神经网络的端到端优化：将图构建与图推理过程统一为可微分计算，提升模型训练效率。
• 强化学习在排序中的应用：通过奖励函数设计，实现长期用户价值与短期业务指标的平衡。

本文所提方法论已广泛应用于美团到店、外卖、酒店等多个业务线，为搜索系统的精细化运营提供了有力支撑。