自2012年ImageNet大年夜赛技惊四座后，深度进修已经成为近年来机械进修和人工智能范畴中存眷度最高的技巧。在深度进修出现之前，人们借助SIFT、HOG等算法提取具有优胜区分性的特点，再结合SVM等机械进修算法进行图像辨认。然而SIFT这类算法提取的特点是有局限性的，导致当时比赛的最好结不雅的缺点率也在26%以上。卷积神经收集（CNN）的初次表态就将缺点率一下由26%降低到15%，同年微软团队宣布的论文中显示，经由过程深度进修可以将ImageNet 2012材料集的缺点率降到4.94%。

美团点评作为一向致力于站在科技前沿的互联网公司，也在深度进修方面进行了一些摸索，个中在天然说话处理范畴，我们精深度进修技巧应用于文本分析、语义匹配、搜刮引擎的排序模型等；在计算机视觉范畴，我们将其应用于文字辨认、图像分类、图像质量排序等。本文就是笔者地点团队，在借鉴了Google在2016年提出的Wide & Deep Learning 的思惟上，基于自身营业的一些特点，在大年夜众点评推荐体系上做出的一些思虑和取得的实践经验。

2. 点评推荐体系介绍

归一化是按照特点矩阵的行处理数据，其目标在于样本向量在点乘运算或其他核函数计算类似性时，拥有同一的标准，也就是说都转化为“单位向量”。在实际工程中，我们应用了两种归一化办法：

与大年夜部分的推荐体系不合，美团点评的场景因为自身营业的多样性，使得我们很难精确捕获用户的兴趣点或用户的及时意图。并且我们推荐的场景也会跟着用户兴趣、地点、情况、时光等变更而变更。点评推荐体系重要面对以下几点挑衅：

营业形态多样性：除了推荐商户外，我们还根据不合的场景，进行及时断定，大年夜而推出不合形态的营业，如团单、酒店、景点、霸王驳寥。

用户花费场景多样性：用户可以选择在家花费：外卖，到店花费：团单、闪惠，或者差旅花费：预定酒店等。

针对上述问题，我们定制了一套完美的推荐体系框架，包含基于机械进修的多选品召回与排序策略，以及大年夜海量大年夜数据的离线计算到高并发在线办事的推荐引擎。推荐体系的策略重要分为召回和排序两个过程，召回重要负责生成推荐的候选集，排序负责将多个算法策略的结不雅进行个性化排序。

大年夜线上效不雅来看，宽深度进修模型必定程度上解决了汗青点击过的团单在远距离会被召回的问题。同时，宽深度模型也会根据当前的场景推荐一些有新鲜性的Item。

召回层：我们经由过程用户行动、场景等进行及时断定，经由过程多个召回策略召回不合候选集。再对召回的候选集进行融合。候选集融合和过滤层有两个功能，一是进步推荐策略的覆盖度和精度；别的还要承担必定的过滤职责，大年夜产品、运营的角度制订一些人工规矩，过滤掉落不相符前提的Item。下面是一些我们常用到的┞焚回策略：

　　推荐阅读

　　特斯拉Model 3驾驶初体验：它会改变一切

自成立之日起，特斯拉电动汽车公司就承诺要推出一款大年夜众型电动汽车。美国本地时光7月28日，这款汽车终于面世。在位于加州的工厂中，特斯拉向首批30位买家交付了Model 3。美国主流收集>>>详细阅读

本文标题：深度学习在美团点评推荐平台排序中的运用

地址：http://www.17bianji.com/lsqh/36483.html

 1/2    1