导读: 美团是一个生活服务领域的平台,需要大量知识来理解用户的搜索意图,同时对于商家侧我们也需要利用现有的知识对海量信息进行挖掘与提取,进而优化用户体验。今天分享的主题是知识图谱在美团推荐场景中的应用。主要包括以下几方面内容:
- 美团知识图谱介绍
- 美团推荐场景介绍
- 美团推荐中的知识应用
- 总结与展望
--
01 美团知识图谱介绍
首先介绍美团的知识图谱:美团大脑。
美团所涉足的生活服务领域需要大量知识。例如,当用户搜索“10人聚餐”的query时,我们需要对它结合知识进行理解,得到用户想找大桌或者找包间的意图。同时,对于商家侧,我们也需要利用UGC评论中挖掘出类似于“有大桌”、“有包间”这样的标签。基于知识的理解和匹配,我们可以把满足需求的商家推荐给用户,当用户点击进入商家详情页时,有别于之前用户需要逐条查看海量评论,费时费力,我们从UGC中挖掘出细粒度的情感标签,把大部分用户关心的细粒度特征显式地展示出来,从而节省用户的时间,提升用户体验。
因为生活服务领域需要大量的知识,美团NLP中心从2018年开始就着手构建了生活娱乐领域超大规模的知识图谱——美团大脑。我们从餐饮图谱开始,后来逐渐扩展至标签图谱、场景图谱、商品图谱、到综图谱等。
美团大脑目前是正在构建中的超大规模的生活服务领域知识图谱,其主要的主体类型是商家(千万级)、商品(十亿级)、店菜(亿级)、海量的用户评价(70亿量级)以及从评价中挖掘出的场景标签(百万级)。
--
02 美团推荐场景介绍
美团推荐属于LBS(基于位置的服务)推荐,它与电商推荐、新闻推荐、视频推荐等存在很大差异。LBS推荐中位置约束以及场景化的要求很高,供给约束是区域型的,其主目标是订单或者IPay(业务新客订单)而非Dau或者时长。此外,LBS推荐的社交粘性较弱。
美团推荐存在着以下四点挑战:
- 可解释性需求强烈:可解释性可以直接影响用户的体验和决策,从而促进交易,达成美团的业务目标;
- 美团涉及的领域多、差异大:领域包含了吃、住、行、游、购、娱等;
- 数据稀疏:除了到餐外卖等高频业务外,大部分业务的订单相对较少,且新用户的占比偏高;
- 时空场景复杂:我们需要考虑到本异地、时间、地点等因素。一个典型的本异地的场景例子是一个用户在出差前需要查看目的地酒店。有关时间因素的例子如一个用户在早上喜欢吃豆浆油条,中午就喜欢吃正餐。又如一个用