搜索和推荐是解决信息过载的两种主要手段。搜索主要解决用户的明确信息需求，而推荐主要解决用户的非明确信息需求。

美团推荐的基本框架如下所示：

主要分为四个部分：数据层、触发层、融合过滤层和排序层。为了支持效果迭代，触发层和排序层做了解耦，彼此的结果是正交的，因此可以分别进行对比实验。同时，在同一层内部，他们根据用户将流量划分为多分，支持多个策略同时在线对比。

美团使用的数据主要是以下几类：

候选集触发中用到的相关算法：

协同过滤

清除作弊、刷单、代购等噪声数据。这些数据的存在会严重影响算法的效果，需要在第一步中将它们清洗掉。合理选取训练数据。选取的训练数据的时间窗口需要多次实验来确定，不宜过长或者过短。同时可以考虑引入时间衰减，因为近期的用户行为更能反映用户接下来的行为动作。user-based和item-based相结合。尝试不同相似度计算方法，这里采用了Log-Likelihood Ratio方法。LLR算法的详细介绍在这里http://tdunning.blogspot.com/2008/03/surprise-and-coincidence.html

location-based

移动设备的特点在于用户会经常移动，不同地理位置表示不同用户场景。具体在候选集触发的时候，需要考虑到用户当前的地理位置信息进行推荐。

根据用户的历史消费、历史浏览等，挖掘出某一粒度的区域（比如商圈）内的区域消费热单和区域购买热单。在候选集触发或者排序层，根据用户的地理位置和相应的热单对推荐结果进行加权。也可以根据用户的地理位置，通过协同过滤的方法计算相似度。

query-based

搜索是一种强用户意图，反映了用户的明确意愿。在某些情况下，用户的搜索没有形成转换，尽管如此，这些场景依然代表了一定的用户意愿，具有信息量。

对用户过去一段时间的搜索无转换行为进行挖掘，计算每一个用户对不同query的权重。计算每个query下不同deal的权重。当用户再次请求时，根据用户对不同query的权重以及每个query下不同deal的权重进行加权，取出权重最大的TopN进行排序。

graph-based

对于协同过滤而言，user之间或者deal之间的图距离是两跳，对于更远距离的关系则不能考虑在内。这里他们使用了simrank[http://ilpubs.stanford.edu:8090/508/1/2001-41.pdf]方法来计算相似度。计算得到相似度矩阵后，可以类似协同过滤进行线上推荐。

实时用户行为

这一部分其实就是利用用户的实时上下文行为给出相关推荐。

替补策略

冷启动或者长尾用户使用，包括热销单、好评单、城市单等。

排序算法

美团的排序算法同时使用了非线性模型和线性模型

非线性模型使用了AG算法。线性模型引入了online learning，因此使用了FTRL方法。

数据采样

由于正负样本不均衡，因此必须对负样本进行采样，采样方法使用了skip-above。用户点击转化的数据作为正例，用户主动删除的结果作为高质量负例。

特征

deal特征：价格、折扣、销量、评分、类别、点击率等。user维度的特征：包括用户等级、用户的人口属性、用户的客户端类型等。user、deal的交叉特征：包括用户对deal的点击、收藏、购买等。距离特征：包括用户的实时地理位置、常去地理位置、工作地、居住地等与poi的距离。

总结

毕竟是2021年的文章，提出的方法按照现在的眼光看不是最新的，但是从项目的实践效果上看还是很不错的。文章中提出了很多调研时所面临的实际问题，在其他领域也会遇到，因此他们的解决方案值得在自己的项目中参考使用。