Исследование и применение сопоставления пакетов на вынос

Эта статья является третьей статьей в серии карт знаний о еде на вынос.На техническом уровне мы представим технические решения для сопоставления упаковок на вынос, включая итерации сопоставления упаковок в автономном режиме и в режиме реального времени, решения для оценки качества упаковки, а также представим бизнес. применение сопоставления пакетов.

1. Предпосылки

Это направление, в котором Meituan Takeaway стремится упростить и ускорить приобретение пользователями удовлетворительных продуктов на вынос. В этой статье в основном представлена ​​технология подбора комплексных обедов и практика ее применения для продавцов деликатесов. В процессе выбора заказов на вынос пользователи обычно учитывают такие факторы, как предпочтение одного продукта, сочетание и соответствие, а процесс выбора продавцов и продуктов занимает много времени. Благодаря технологии сопоставления пакетов, основанной на продуктах-кандидатах продавцов, мы автоматически сопоставляем высококачественные пакеты, чтобы легко решить «трудность выбора» для пользователей, что может повысить эффективность принятия решений пользователями.

2. Бизнес-цели и задачи

2.1 Бизнес-цели

В настоящее время существует множество приложений для сопоставления пакетов для приложения Meituan Takeaway, таких как «Сегодняшняя рекомендация по пакету», «Артефакт полного сокращения», «Рекомендация по сопоставлению пакетов» и т. Д. Из-за слабой способности и желания продавцов еды на вынос в настоящее время соответствовать своим собственным пакетам, базовое предложение пакетов еды на вынос имеет низкий коэффициент охвата для бизнес-сценариев и продавцов, что не может удовлетворить потребности приложений ранжирования рекомендаций, связанных с пакетами. Таким образом, бизнес-цель сопоставления упаковок на вынос состоит в том, чтобы сопоставить комбинацию упаковок-кандидатов для пищевого бизнеса и предоставить более богатую поставку упаковок для сторон приложения, связанных с упаковкой.

Для приложений, связанных с пакетами, мы провели бизнес-анализ: «Сегодняшняя рекомендация», «Артефакт полной редукции» и другие услуги имеют относительно слабые условия соответствия и могут быть получены в автономном режиме, и классифицируются как услуги, связанные с рекомендацией. гарантировано.Показатель охвата пакета продавца улучшен, чтобы гарантировать, что рекомендация продавца выставлена. Страница сведений, полная скидка плюс покупка и другие услуги имеют строгие условия сопоставления и работают в режиме реального времени. Например, на странице сведений пользователь указывает подходящее блюдо, а в сценарии полной скидки и дополнения пользователь выбирает блюдо и конкретный ценовой диапазон в качестве условий. Это службы совместного размещения, которые должны гарантировать, что пакет покрывает сцену в реальном времени, чтобы обеспечить доступность пакета с вкладкой. Цели алгоритма сопоставления пакетов заключаются в следующем: (1) Улучшить покрытие комбинаций пакетов, чтобы предоставить приложениям, связанным с пакетами, последующие комбинации пакетов с высоким охватом сцен и достаточным разнообразием. ② Гарантия качества соответствующего пакета.

2.2 Проблемы бизнеса

Коллокация товаров также имеет множество применений в сценариях электронной коммерции, таких как коллокация корзины покупок Taobao, коллокация одежды и коллокация косметики. Соответствие корзины покупок — это рекомендация пакета, основанная на корзине пользователя и приобретенных продуктах. Например, после того, как пользователь купил зубную щетку, может быть дана рекомендация по зубной пасте. Этот тип метода в основном рекомендует релевантность, основанную на покупательском поведении товаров, и цель не состоит в том, чтобы сформировать полную комбинацию. Тем не менее, сочетание продуктов питания на вынос должно учитывать рациональность всей комбинации, а не просто на основе того, связаны ли продукты. Например: большое количество заказов включает «небольшая жареная свинина + томатно-яичный суп + рис», «кусочки свинины с рыбным вкусом + томатно-яичный суп + рис» и другие комбинации, но «томатно-яичный суп + рис» не является хороший комплексный обед.

Соответствие одежды и косметическое соответствие являются рекомендациями по подбору, ориентированными на сочетание.Решения таких проблем сопоставления можно условно разделить на две категории.Один из них: режим сопоставления используется для обрезки в процессе выбора модели товара.Режим сопоставления может быть ручным или Эта идея априори принята в ссылках 4 и 5. Особенностью этого метода является то, что эффект сопоставления гарантируется стратегией сокращения и моделью оценки качества. Другой заключается в том, чтобы изучить идею режима коллокации через сквозные сетевые параметры.Документ 6 принимает эту идею с нашим автономным пакетом.Особенностью этой схемы является то, что эффект коллокации в большей степени зависит от гарантии сквозной модели. , но модель коллокации сложнее.

По сравнению с сопоставлением продуктов в сценариях электронной коммерции сопоставление продуктов питания сталкивается с уникальными бизнес-задачами:

1. Бизнес-сценарии и условия сопоставления пакетов относительно разнообразны, поэтому схема сопоставления пакетов должна соответствовать потребностям различных предприятий и различным условиям сопоставления.
2. Продукты для гурманов — это нестандартные продукты, и продукты, продаваемые разными торговцами, различаются, что приводит к разным режимам сопоставления наборов блюд у продавцов. Например, курица Кунг Пао, продаваемая разными компаниями, отличается по весу, вкусу, ингредиентам и цене, поэтому будут разные способы сочетать блюдо с курицей Кунг Пао.
3. Алгоритмическое сопоставление неизбежно приведет к низкокачественным результатам сопоставления, а нестандартные свойства товаров усложняют нам измерение качества сопоставления продуктов питания. Некачественные словосочетания могут включать: А. Словосочетания, не подходящие для отдельных продаж и неидеальных продуктов, например, словосочетания, включающие подарки, кастрюли и посуду. Б. Результат сопоставления не соответствует обычному режиму сопоставления, например, два напитка, напитки + булочки на пару и т. д.

Для этого наше решение:

1. Чтобы решить проблему различных бизнес-сценариев и условий коллокации, мы сформировали комбинацию алгоритмов коллокации в автономном режиме и в режиме реального времени. Для рекомендуемых сопутствующих услуг мы используем метод автономного сопоставления для предварительного сопоставления кандидатов в пакеты, а затем выполняем персонализированную сортировку в бизнес-сценарии. Оффлайн коллокация основана на итеративной идее правил для моделей, а коллокация правил опирается на представление продукта карты знаний.Благодаря высокочастотной агрегации + обобщению коллокации правил создаются относительно высококачественные пакеты для обеспечения охвата ведущих торговцев. Коллокация модели может улучшить охват сцены пакета за счет обобщения модели, обеспечивая при этом качество коллокации. Для услуг сопоставления в реальном времени алгоритм будет сопоставлять пакеты в реальном времени в соответствии с условиями сопоставления бизнеса, что еще больше улучшает охват пакетов в различных сценариях в реальном времени.
2. Чтобы решить проблему нестандартных продуктов питания, мы ввели карту еды на вынос, чтобы описать блюда в нескольких направлениях. Основываясь на графе знаний о выносе, мы извлекли подробные информационные представления блюд, такие как стандартные блюда, категории блюд, вкусы, ингредиенты, методы и т. д., чтобы уменьшить влияние нестандартных продуктов.
3. Для обеспечения качества соответствия пакетов мы разработали модель оценки качества пакетов.

В общем, мы провели связанные исследования и итерации по представлению продукта, представлению продавца, модели сопоставления пакетов и оценке качества соответствия пакетов нестандартных продуктов, сформировав структуру сопоставления пакетов, показанную на рисунке 2 ниже.

3. Модель сопоставления пакетов

3.1 Модель сопоставления пакетов, основанная на индукции меток графа

Одна из проблем, с которыми мы сталкиваемся, заключается в том, что продукты на вынос являются нестандартными продуктами, качество данных о продуктах питания низкое, а атрибуты отсутствуют. С этой целью, основываясь на различных источниках информации, таких как меню торговцев, рецепты и описания товаров, мы построили карту знаний с едой в качестве ядра с помощью различных методов, таких как извлечение информации, идентификация отношений и объединение знаний. такие как практика и эффективность.

Исторические пакеты с высокими продажами продавца обычно можно рассматривать как высококачественные пакеты, но количество пакетов с высокими продажами продавцов с низкими и средними продажами невелико, и трудно поддерживать такие приложения, как персональные рекомендации пакетов. Опираясь на семантическое выражение блюд на графе еды, мы сначала опробовали план сопоставления сет-меню, основанный на прямой индукции и дедукции графа знаний. Например, из часто повторяющихся заказов можно сделать вывод, что {горячее блюдо}+{рис}+{суп} — это распространенный метод подбора комплексных обедов, а затем установленная комбинация "томатная яичница + томатно-яичный суп + рисовый суп". " выведено за купцов .

Процесс индукции и вывода карты представляет собой высокочастотный процесс агрегации и обобщения, основанный на сопоставлении шаблонов. Мы создаем высококачественные комбинации пакетов посредством агрегации заказов, одного и того же бренда, одной и той же этикетки и обобщения одного и того же шаблона блюда. значительное улучшение . Однако проблема с шаблонами словосочетаний заключается в том, что трудно достичь компромисса между качеством словосочетания и обобщением. Более строгий шаблон словосочетания может обеспечить качество словосочетания, но способность к обобщению недостаточна, а покрытие пакета низкое. Если для описания словосочетаний используется одна или несколько меток, шаблон будет чрезмерно обобщен, и точность не может быть гарантирована. С этой целью мы вводим метод сопоставления пакетов на основе модели.

3.2 Модель сопоставления пакетов на основе Encoder-Decoder

Пакет сопоставления пользователей также представляет собой процесс от кодирования информации до вывода информации: пользователь, просматривающий меню продавца, представляет собой процесс кодирования, получение общего обзора информации о продавце и продукте, а затем сопоставление пакета на основе этого обзора. Идея согласования этого процесса состоит в том, чтобы использовать структуру Encoder-Decoder для построения модели сопоставления пакетов.Encoder аналогичен процессу, когда пользователи просматривают меню, изучая семантическую информацию меню, а Decoder отвечает за сопоставление упаковка. Encoder-Decoder — это сетевая структура глубокого обучения, которая широко используется в приложениях для суммирования текста, машинного перевода, создания диалогов и т. д. Его метод моделирования заключается в обучении на основе кодирования (извлечение признаков) и декодирования (подбор целевого объекта). Входные данные кодировщика в выходные данные декодера. Общие методы кодирования включают CNN, RNN, Transformer и другие структуры, а методы декодирования аналогичны.

3.2.1 Модель сопоставления пакетов на основе LSTM

Проблема создания пакета состоит в том, чтобы извлечь несколько подмножеств продуктов из всех наборов продуктов-кандидатов продавца, чтобы сформировать пакет, который пользователям удобно фильтровать и который может напрямую размещать заказ. Источником данных, генерируемым пакетом, в основном является информация о продукте-кандидате продавца (например, название продукта, этикетка, цена, объем продаж и т. д.) в сочетании с такими ограничениями, как диапазон цен на еду, количество людей, обедающих и предпочтения пользователя. Первоначально мы использовали LSTM в качестве нейронной сети Encoder и Decoder для сопоставления пакетов. Мы извлекаем семантическое представление продукта на основе семантики графа и вводим его в модель RNN кодировщика. Процесс кодирования кодировщика аналогичен процессу просмотра пользователями продуктов-кандидатов продавца.Кодировщик вводит название блюда, этикетку блюда и бизнес-атрибуты блюда (цена, продажи и т. д.). и использует LSTM для извлечения особенностей нестандартных блюд. Как показано на Рисунке 4 ниже, название каждого продукта извлекается с помощью функций через слой внедрения и слой CNN+Pooling и объединяется с этикеткой блюда, категорией «Внедрение», ценой и продажами и другими непрерывными функциями, и, наконец, используется в качестве ввода каждого шага в Encoder RNN.

Декодер обычно полагается на фиксированный словарь или словарь в качестве набора кандидатов в процессе декодирования, и каждый шаг выводит слово в наборе кандидатов и распределение вероятностей выбранного слова. Для сети сопоставления пакетов набор кандидатов, декодированный декодером, поступает из списка продуктов входного конечного продавца кодировщика, а не из словаря фиксированной размерности внешней тарелки.Сеть указателей является эффективной архитектурой для моделирования этой проблемы. Pointer Network – это расширение, основанное на Seq2seq, которое в основном решает проблему, связанную с тем, что набор кандидатов не является фиксированным. Эта модельная архитектура успешно применялась для извлечения текстовой сводки, а также для решения задач комбинаторной оптимизации, таких как задача коммивояжера и выпуклая оболочка. проблема.

Конкретный процесс декодирования сопоставления множества состоит в том, что декодер оценивает распределение вероятностей целевого блюда из списка блюд на каждом шаге. На n-м шаге (n>=1) этот вектор распределения вероятностей выражает вероятность того, что будет выбран определенный элемент или положение остановки, когда выбрано n-1 элементов. Если вероятность, соответствующая стоп-биту, велика, модель стремится сформировать полный набор из n-1 выбранных элементов. В процессе декодирования мы объединяем алгоритм BeamSearch для генерации результатов TopN, чтобы обеспечить разнообразие словосочетаний.

3.2.2 Оптимизация модели сопоставления пакетов

Цели обучения модели сопоставления пакетов

Чтобы решить проблему, связанную с тем, что режим словосочетания блюд варьируется от продавца к продавцу, модель изучает характеристики словосочетания продавца, подбирая исторические заказы продавца. Более распространенная форма обучения основана на реальном заказе продавца, используя для обучения форму принуждения учителя, так что блюда, предсказанные моделью, одно за другим соответствуют блюдам в реальном порядке. Метод обучения в стиле «Принуждение учителя» делает вероятность предсказания блюд, как правило, равной распределению 0-1, но фактические блюда обычно персонализированы и разнообразны.Основной продукт выбора - «рис» или «жареный рис».

С этой целью мы делаем статистику по режиму соответствия пакетов, которые продавцы заказали в прошлом, и вычисляем распределение вероятности выбора продукта.Декодер использует распределение вероятности выбора продукта в качестве цели обучения, вычисляет MSE Loss с предполагаемое распределение и минимизирует это значение. Направляйте обучение модели. Еще одна проблема с принуждением учителей заключается в том, что трудно ввести внешние знания, такие как качество словосочетания и поведение пакетов при покупке по клику, для руководства обучением модели.По этой причине мы попытались использовать обучение с подкреплением для улучшения. Во время T процесса декодирования мы используем выборку Монте-Карло для выборки полных кандидатов-пакетов, рассчитываем показатель качества совпадения кандидатов-пакетов в качестве вознаграждения и комбинируем потерю MSE и показатель качества сопоставления для обучения модели.

Ограничения на сопоставление пакетов

Процесс сопоставления пакетов будет сталкиваться с различными бизнес-ограничениями, например, для «артефакта полного сокращения» соответствующий пакет должен соответствовать заданному уровню цены полного сокращения. Установленный процесс сопоставления «умного помощника» должен учитывать условия фильтрации, выбранные пользователем, например, условиями могут быть «основной продукт питания — рис» и «цена ниже 30 юаней». Мы используем стратегию сокращения, чтобы убедиться, что процесс сопоставления удовлетворяет ограничениям.В качестве примера возьмем ограничение ценового диапазона «полный минус артефакт», когда сторона декодера генерирует блюда-кандидаты за один шаг, она будет отфильтровывать блюда, которые превышают оставшийся ценовой диапазон на основе оставшейся цены. Как показано на Рисунке 6 ниже, для блюд продавца A, B, C, D и E декодер будет использовать оставшийся ценовой диапазон «в пределах 15 юаней», чтобы сократить следующий раунд блюд A, B, C, D, и E. И удалить два блюда C и D, которые превышают ценовой диапазон.

Модель сопоставления пакетов на основе сети Attention

Проблемы, с которыми сталкивается при извлечении признаков блюд у продавцов на основе сети LSTM, заключаются в следующем: во-первых, блюда в меню продавцов неупорядочены, а сеть RNN полагается на последовательности для моделирования. Во-вторых, между блюдами могут быть дальние семантические зависимости, например, наличие в меню таких блюд, как «рис» и «паровой хлеб», повлияет на сопоставление блюд «курица Кунг Пао».

Чтобы лучше охарактеризовать информацию о зависимости между неупорядоченными меню и блюдами, мы попробовали модель кодировщика-декодера, основанную на структуре внимания. Часть Encoder использует иерархическую структуру Attention для извлечения семантической информации о блюдах, включая Attention на нижнем уровне меню и Attention между блюдами. Для внимания уровня меню мы используем структуру Multi-Head Attention в измерении слова для получения семантического вектора названия блюда, а этикетка блюда также использует Multi-Head Attention для получения семантического вектора этикетки блюда Для атрибута транзакции блюда мы используем многослойное полное соединение. Сеть извлекает семантические векторы признаков транзакций.

Наконец, семантический вектор названия блюда, семантический вектор этикетки блюда и семантический вектор признака транзакции соединяются вместе для получения семантического вектора блюда посредством полного слоя соединения + нормализации слоя. Для слоя Attention между блюдами мы используем многослойный Multi-Head Attention, чтобы получить семантический вектор уровня меню магазина, используя список семантических векторов блюд в магазине. Часть модели "Декодер" также использует многоголовое внимание для декодирования. Входная информация включает контекстную информацию, такую ​​как информация о предпочтениях пользователя, ввод декодирования в исторические моменты и ценовые ограничения. Модель выводит вероятностное распределение выбранных блюд в магазине. меню на каждом этапе. В процессе декодера мы выполняем Multi-Head Attention на информации о предпочтениях пользователя и семантическом векторе уровня меню продавца, а также учитываем предпочтения пользователя в еде в процессе сопоставления еды.

3.2.3 Анализ модели сопоставления пакетов

Мы считаем, что качественное сочетание продавцов может отражаться на продажах заказов.Одним из методов оценки является оценка охвата пакетов, выдаваемых моделью, реальными высокопродаваемыми пакетами продавцов. В результате автономной и онлайн-оценки мы обнаружили, что модель может соответствовать крупногабаритному пакету продавца. В части ручной оценки мы смешали пакеты, соответствующие алгоритму, и реальные заказы, и позволили им различать вручную, и обнаружили, что руководство не может отличить заказы, соответствующие модели, и реальные заказы. В то же время модель обладает хорошей обобщающей способностью, что значительно улучшает охват пакетов для продавцов и конкретных бизнес-сценариев.

Мы проанализировали вектор представления блюд, выдаваемый моделью, чтобы понять модель сопоставления блюд модели. TSNE используется для уменьшения размерности и кластеризации векторов. При наблюдении за диаграммой кластеров обнаруживается, что блюда «основное блюдо», «основное блюдо» и «закуска» сгруппированы вместе. Можно видеть, что модель распознает «основной продукт питания» и «блюда» блюд», «закуски» и другие семантические атрибуты категории, и обращается к этой семантике для сопоставления пакетов.

Основные блюда: ТОП N похожих блюд "вонтон"	Блюда: ТОП N похожих блюд из "свинины тушеной"
Куриный суп Вонтон 0,981	Говядина с огурцом 0,975
Лапша острая и кислая с горошком 0,979	Грибная говядина 0,977
Равиоли со свининой 0,975	Тушеная свинина Maojia 0,980
Лапша с говядиной в прозрачном супе 0,975	Жирная колбаса с капустой 0,973
Лапша с колбасой для живота 0,974	Смешанная тонкая кишка 0,976
Жареный удон с морепродуктами 0,974	свиная голова 0,981
Потстикеры с зеленым луком и мясом 0,973	Картофель тушеный 0,975
Мука гороховая смешанная 0,971	Смешанная говядина 0,980

3.3 Модель сопоставления пакетов в реальном времени

Схема генерации наборов-кандидатов путем офлайн-совмещения может удовлетворить потребности рекомендуемых сервисов, но ей все еще не хватает охвата некоторых бизнес-сценариев на основе коллокации, например, текущее офлайн-меню набора имеет низкий охват блюд, то есть только гарантии. для приложений, таких как страницы сведений о блюде, гарантированы.Некоторые модули PV выставлены.

Одним из решений является расширение охвата продуктов для гурманов путем сопоставления в автономном режиме, но стоимость хранения этого решения относительно высока, поэтому мы используем решение для сопоставления пакетов в реальном времени. Сложность генерации решения в режиме реального времени заключается в обеспечении качества пакета, соблюдении различных условий словосочетания и, самое главное, обеспечении производительности в реальном времени. Сначала мы применили офлайн-модель коллокации к онлайн-коллокации в реальном времени и обнаружили узкое место в производительности. Поэтому мы упростили автономную модель.Идея оптимизации состоит в том, чтобы упростить процесс выбора блюд в процессе выбора категорий блюд, а также упростить коллокационную связь размеров блюд с коллокационной связью категорий блюд, чтобы сократить все пространство решения. Как показано на рисунке 8 ниже, конкретный процесс выглядит следующим образом:

1. Майнинг с помощью шаблонов: Извлечение соответствия соответствия на уровне категории высоких продаж продавца через исторические заказы продавца, то есть шаблон соответствия, такой как «горячее блюдо + основной продукт питания».
2. поиск обрезки: при выборе блюда выберите блюдо в соответствии с категорией блюд в соответствующем шаблоне. Например, в приведенном примере сначала осуществляется выбор «горячих блюд», а затем осуществляется выбор «основных блюд». В процессе выбора общий процесс выбора сокращается в соответствии с потребностями пользователя в реальном времени, такими как указание обязательных блюд, указание цен, указание типов основных продуктов питания и другие ограничения.
3. Скрининговая оценка: после завершения коллокации оцените качество полученных результатов коллокации-кандидата.Исходя из соображений производительности, для оценки качества используется древовидная модель, а результаты коллокации Top N отсеиваются.

4. Оценка качества упаковки

Есть также пакеты с немного более низким качеством в больших объемах заказов.Помимо точности обобщения модели, для соответствующей модели легко создать комбинацию низкого качества. Как показано в правой части рисунка 9 ниже, сопоставление двух последних пакетов, сгенерированных моделью, относительно нецелесообразно. Чтобы еще больше обеспечить удобство работы пользователей, мы создали модель качества соответствия пакетов для единообразной оценки качества пакетов. Модель классификации качества пакетов преобразует качество сопоставления пакетов в проблему классификации. Поскольку комплексное меню состоит из нескольких блюд, мы создаем представление блюд на основе названий блюд, этикеток и другой информации, а затем осознаем важность блюд с помощью Global-Attention и добавляем общее количество продуктов, общее количество. количество порций и т. д. Глобальная функция используется для представления информации об общем коллокации Структура модели показана на рисунке 9 ниже:

У нас есть точное соответствие качества пакетов: крайне плохое, плохое, среднее и хорошее, и четыре категории имеют упорядоченную взаимосвязь (крайне плохое

Во время построения модели качества пакета отрицательные образцы в основном поступают из плохих случаев, отправленных пользователями, и пакеты, отсеиваемые путем искусственного создания версии режима необоснованного словосочетания. Проблема с этим методом заключается в том, что отрицательные выборки Bad Case и искусственной конструкции смещены, а разнообразие низкое, а соотношение отрицательных и положительных выборок настроить нелегко.

С этой целью мы вводим задачу предварительного обучения, чтобы изучить режим сопоставления исторических заказов, и вводим дополнительные соответствующие предварительные знания для модели качества сопоставления пакетов. Процесс предварительной подготовки показан ниже на рисунке 11. Мы случайным образом маскируем тарелку в одной комбинации, а затем обучаем модель Transformer восстанавливать замаскированную тарелку. В этом процессе учитывайте рациональность некоторых неоптимальных упаковок (например: «Цыпленок Кунг Пао + Рис + Кола», Маскировка «Цыпленок Кунг Пао», генератор генерирует «Рушеную Свинину со Вкусом Рыбы», «Со вкусом Рыбы». тертая свинина + рис + кола» можно понимать как неоптимальную упаковку), мы добавляем дискриминатор, который предсказывает сходство между блюдом и целевой категорией блюд, в итоговую функцию потерь, чтобы решить такую ​​ситуацию. Параметры, полученные в результате предварительной подготовки, наконец, используются для инициализации модели классификации качества соответствия пакетов, и модель оптимизируется на основе небольшого количества аннотированного вручную корпуса.

5. Применение и будущие перспективы сопоставления пакетов

В настоящее время Takeaway создал множество продуктов с пакетами в качестве основного предложения. «Сегодняшняя рекомендация по упаковке» помогает пользователям решить проблемы, связанные с тем, что они не знают, что есть, и покупают медленно. На странице магазина «Артефакт полного сокращения» и « Рекомендации по сопоставлению отдельных продуктов» «Решите проблему, заключающуюся в том, что пользователям трудно собирать заказы и трудно сопоставлять. Чтобы решить проблему сопоставления пакетов в различных бизнес-сценариях, алгоритм сопоставления пакетов постоянно оптимизировался с точки зрения охвата, качества сопоставления и разнообразия сопоставления, обеспечивая важную техническую поддержку и поддержку данных для бизнеса. Автономный пакет используется для «артефакта полного сокращения», «рекомендации сегодняшнего пакета» и других предприятий, что значительно улучшает охват продавцов пакетов.

В последующей работе, с одной стороны, мы продолжим оптимизировать построение карты знаний о блюдах, улучшим описание нестандартных блюд, еще больше повысим точность и охват данных за счет введения мультимодальных данных, таких как как изображения, и лучше описать, построив карту знаний о спросе и предложении пользователей. С другой стороны, мы изучим сопоставление пакетов на основе сценариев: в настоящее время у нас меньше работы по сопоставлению пакетов на основе сценариев, и у пользователей будут разные требования к пакетам в разных сценариях, таких как холодная погода и предпочтения для пакетов с горячей кастрюлей. , Laba Festival питание Отвар пакет, надеюсь съесть местный специальный пакет в другом месте. Далее мы рассмотрим комбинацию пакетов на основе сцен и сопоставим пакеты для солнечных условий, фестивалей, массовых скоплений людей и других сцен, чтобы лучше удовлетворить персонализированные и основанные на сценах потребности пользователей в питании.

6. Ссылки

1. Vinyals, Oriol, Meire Fortunato, and Navdeep Jaitly. "Pointer networks." Advances in neural information processing systems. 2015.
2. See, Abigail, Peter J. Liu, and Christopher D. Manning. "Get to the point: Summarization with pointer-generator networks." arXiv preprint arXiv:1704.04368 (2017).
3. Gong, Jingjing, et al. "End-to-end neural sentence ordering using pointer network." arXiv preprint arXiv:1611.04953 (2016).
4. Han, Xintong, et al. "Learning fashion compatibility with bidirectional lstms." Proceedings of the 25th ACM international conference on Multimedia. 2017.
5. Alashkar, Taleb, et al. "Examples-Rules Guided Deep Neural Network for Makeup Recommendation." AAAI. 2017.
6. Chen, Wen, et al. "Pog: Personalized outfit generation for fashion recommendation at alibaba ifashion." Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2019.
7. Rush, Alexander M., Sumit Chopra, and Jason Weston. "A neural attention model for abstractive sentence summarization." arXiv preprint arXiv:1509.00685 (2015).
8. Paulus, Romain, Caiming Xiong, and Richard Socher. "A deep reinforced model for abstractive summarization." arXiv preprint arXiv:1705.04304 (2017).
9. See, Abigail, Peter J. Liu, and Christopher D. Manning. "Get to the point: Summarization with pointer-generator networks." arXiv preprint arXiv:1704.04368 (2017).

7. Об авторе

Руйю, Вэньбинь, Ян Линь и Маоди — все из технической команды Meituan по доставке еды.

Прочтите другие сборники технических статей от технической команды Meituan

внешний интерфейс | алгоритм | задняя часть | данные | Безопасность | Эксплуатация и техническое обслуживание | iOS | Android | контрольная работа

|Ответьте на ключевые слова, такие как [акции 2020 г.], [акции 2019 г.], [акции 2018 г.], [акции 2017 г.] в диалоговом окне строки меню общедоступной учетной записи, и вы сможете просмотреть коллекцию технических статей технической группы Meituan в течение годы.

| Эта статья подготовлена ​​технической командой Meituan, авторские права принадлежат Meituan. Добро пожаловать на перепечатку или использование содержимого этой статьи в некоммерческих целях, таких как обмен и общение, пожалуйста, укажите «Содержимое воспроизводится технической командой Meituan». Эта статья не может быть воспроизведена или использована в коммерческих целях без разрешения. Для любой коммерческой деятельности, пожалуйста, отправьте электронное письмо по адресуtech@meituan.comПодать заявку на авторизацию.