一、粗排阶段的核心价值与挑战

在美团搜索的”召回-粗排-精排-重排”四层架构中，粗排阶段承担着在百万级候选商品中筛选出千级优质结果的职责。相较于召回阶段追求高覆盖率，粗排需要兼顾效率与效果，在毫秒级响应时间内完成复杂特征计算和模型推理。
美团日均搜索请求量超亿次，用户行为呈现明显的场景化特征：餐饮场景下用户更关注配送时效，酒店场景下重视价格敏感度，丽人场景则关注服务评价。这种多模态需求导致传统粗排模型面临三大挑战：

1. 特征多样性不足：传统ID类特征难以捕捉动态业务信息
2. 模型表达能力受限：简单DNN结构无法处理复杂交互
3. 训练数据偏差：曝光样本与真实需求存在显著差异

二、特征体系的重构与创新

1. 多维度特征融合

我们构建了包含用户画像、上下文、商品属性、实时行为的四维特征体系。以餐饮场景为例：

# 用户画像特征示例
user_features = {
    'long_term': ['price_sensitivity', 'diet_preference'],
    'short_term': ['recent_click_categories', 'last_7d_orders'],
    'realtime': ['current_location', 'time_of_day']
}

通过时间衰减因子（λ=0.9）对历史行为进行加权处理，有效捕捉用户兴趣的动态变化。

2. 动态特征计算

针对配送时效这类关键特征，开发了实时计算引擎：

// 配送时效动态计算示例
public class DeliveryTimeCalculator {
    public double calculate(Location userLoc, List<Merchant> merchants) {
        return merchants.stream()
            .mapToDouble(m -> estimateTime(userLoc, m.getLocation()))
            .min()
            .orElse(DEFAULT_TIME);
    }
    private double estimateTime(Location a, Location b) {
        // 调用路径规划API获取预估时间
        return pathPlanningService.estimate(a, b);
    }
}

该引擎通过缓存机制将平均响应时间控制在15ms以内。

3. 负样本增强策略

为解决数据偏差问题，设计了基于业务规则的负样本挖掘方法：

-- 曝光未点击样本增强
WITH candidate_negatives AS (
    SELECT item_id 
    FROM search_logs 
    WHERE query = '火锅' 
    AND曝光时间 BETWEEN '2023-01-01' AND '2023-01-07'
    EXCEPT
    SELECT item_id 
    FROM click_logs 
    WHERE query = '火锅' 
    AND点击时间 BETWEEN '2023-01-01' AND '2023-01-07'
),
filtered_negatives AS (
    SELECT item_id 
    FROM candidate_negatives 
    JOIN item_attributes ON candidate_negatives.item_id = item_attributes.item_id
    WHERE item_attributes.price_level = '中档'  -- 业务规则过滤
)

通过分层抽样确保负样本与正样本在关键维度上的分布一致性。

三、模型结构的演进路径

1. 从Wide&Deep到Multi-task Learning

初期采用的Wide&Deep模型在餐饮场景取得12%的CTR提升，但面临两个问题：

• 不同业务场景的特征重要性差异显著
• 多个优化目标（CTR/CVR/GMV）存在冲突

为此升级为多任务学习框架：

class MultiTaskModel(tf.keras.Model):
    def __init__(self, shared_layers, task_towers):
        super().__init__()
        self.shared_layers = shared_layers  # 共享底层特征
        self.task_towers = task_towers      # 任务专用网络
    def call(self, inputs):
        shared_repr = self.shared_layers(inputs)
        return {task: tower(shared_repr) for task, tower in self.task_towers.items()}

通过动态权重调整机制，使模型在不同场景下自动优化特征组合方式。

2. 实时特征交互建模

引入Self-Attention机制捕捉特征间的复杂关系：

class FeatureInteraction(tf.keras.layers.Layer):
    def __init__(self, num_heads=8):
        super().__init__()
        self.multihead = tf.keras.layers.MultiHeadAttention(num_heads=num_heads)
    def call(self, features):
        # 特征维度对齐处理
        aligned = tf.concat([tf.expand_dims(f, -1) for f in features], axis=-1)
        return self.multihead(aligned, aligned)

在酒店场景的测试中，该结构使长尾query的排序准确率提升18%。

四、工程优化实践

1. 模型服务架构升级

采用分层服务架构：

客户端 → 边缘节点（特征预处理） → 区域中心（模型推理） → 中心集群（模型更新）

通过以下技术实现QPS提升3倍：

• 特征计算异步化
• 模型量化（FP32→FP16）
• 请求批处理（Batch Size=128）

2. 持续学习系统

构建了基于强化学习的模型更新机制：

class RLUpdater:
    def __init__(self, model, reward_func):
        self.model = model
        self.reward_func = reward_func  # 包含CTR、CVR、GMV等多指标
    def update(self, new_data):
        # 计算当前策略的回报
        current_reward = self.reward_func(self.model.predict(new_data))
        # 生成候选策略
        candidates = self.generate_candidates()
        # 选择最优更新
        best_candidate = max(candidates, key=lambda c: self.reward_func(c.predict(new_data)))
        self.model.set_weights(best_candidate.get_weights())

该系统使模型适应业务变化的速度提升5倍。

五、效果评估与业务影响

1. 评估体系构建

设计了包含离线指标、在线AB测试、业务影响的立体评估框架：

• 离线指标：AUC、NDCG、Precision@K
• 在线指标：CTR、CVR、GMV、用户停留时长
• 业务指标：商家曝光公平性、长尾query覆盖率

2. 实际业务效果

经过6个月的持续优化，核心指标取得显著提升：
| 指标 | 优化前 | 优化后 | 提升幅度 |
|———————|————|————|—————|
| 粗排过滤率 | 99.2% | 98.5% | -0.7% |
| 精排输入质量 | 0.72 | 0.85 | +18% |
| 用户转化率 | 12.3% | 14.7% | +19.5% |
| 商家满意度 | 3.8 | 4.2 | +10.5% |

六、未来优化方向

1. 实时特征增强：引入用户实时行为序列建模
2. 多模态融合：结合图片、文本等非结构化信息
3. 联邦学习应用：在保护数据隐私前提下提升模型效果
4. 强化学习排序：构建长期价值最优的排序策略

结语：美团搜索粗排优化是一个持续迭代的过程，需要平衡技术先进性与业务实用性。通过特征体系重构、模型结构创新和工程优化，我们构建了适应超大规模电商场景的粗排解决方案。未来将继续深化技术探索，为用户提供更精准的搜索体验，为商家创造更大的商业价值。