美团外卖原生广告推荐系统优化实践

"美团外卖原生广告推荐实战主要探讨了在O2O广告场景下，如何实现有效的原生广告推荐，结合wide & deep模型、评分机制以及在线特征，以达到商业与用户体验的有机融合，并在高增长业务中进行多维度优化。文章作者是美团外卖的商业技术负责人，具有丰富的行业经验。" 这篇实战分享了美团外卖原生广告推荐系统的设计与实施。原生广告是指广告内容与平台环境自然融合，提高用户体验的同时也促进商业目标的达成。在O2O（线上到线下）广告领域，美团外卖面临的主要特点是广告主多为中小企业，信息化程度不高，用户地域性显著，广告内容更接近自然搜索结果，且拥有全链条的数据。 为了应对这些特点，美团外卖采取了以下策略： 1. **检索架构融合**：服务粒度随着业务发展从互联网级、城市级到商圈级，检索分为LBS检索（配送区）和业务检索（广告、推荐、搜索）。通过检索架构的融合，实现了广告检索的高效和灵活。 2. **数据融合**：面对多入口和大规模用户，美团外卖建立了统一的用户建模，整合离线和在线数据流，包括Meta信息、样本标注和实时监控，以提升推荐精度。 3. **广告与自然结果融合**：在PC时代，广告通常按顺序填充，而在无线Feeds流中，采用间隔插入和提名策略，使得广告与自然搜索结果更加协调，既保证了用户体验，又提升了广告效益。 4. **多维度优化**：在流量效率方面，通过运用DNN（深度神经网络）、LR（逻辑回归）和DeepFM（深度因子分解机）等模型，进行多维度的优化，不断迭代优化指标，如AUC（面积在ROC曲线下的面积）、F系列指标、LogLoss、绝对值（影响CPM，每千次展示费用）和NLL/NE（负对数似然/平均错误率），并考虑到商户体验，如广告排序规则和计费方式。 在这个过程中，评分机制是关键，它决定了广告的展示优先级，而在线特征的提取和利用则有助于实时响应用户行为变化，提升推荐效果。通过这些方法，美团外卖成功地在快速增长的业务环境中，实现了商业效益与用户满意度的平衡。