360浏览器怎么不支持美团网的收藏功能_百度知道
360浏览器怎么不支持美团网的收藏功能
喜欢的团购对象不能收藏
你好；360的浏览器不支持美团网，而你又喜欢团购，你可以使用别的浏览器啊，现供互垛就艹脚讹协番茅在的浏览器有很多种，我用的QQ浏览器就很好，它的兼容性能很好，支持各种系统的软件。它使用自主研发的超级内核，加载速度非常快，有无延迟的操作响应，可以为您节省不少时间，浏览网页也是清新流畅。您可以边上网边聊天。谢谢望采纳。
来自团队：
其他类似问题
为您推荐：
美团网的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁淘宝、饿了么、美团、外卖库：餐饮O2O前路在何方？！
日下午，海淀区的3W咖啡，i黑马&外卖O2O&专场沙龙如期举行。
由于处于O2O爆发的前夕，此次i黑马沙龙现场一片火爆。用美团副总裁王慧文的话说&&每个行业在即将爆发时，沙龙活动都会十分火爆。美团副总裁王慧文、饿了么联合创始人康嘉、淘点点产品负责人王磊、外卖库创始人孟超，四位O2O行业的&先驱玩家&，在i黑马沙龙上分享了自己对于外卖、O2O的看法。
O2O的风口真的来了，从巨头到小创业者，从老江湖到大学生创业起家，他们对餐饮O2O有自己各自的看法。
&美团：我们要抢占外卖O2O的时机
(作为团购领域第一的美团，在2013年年底开始突入外卖O2O领域，并且一反常态的十分高调)
美团副总裁王慧文口述
美团开始就在做O2O，而不是我们团购做到今天之后，做外卖了才进入O2O。团购是O2O的其中一种形式，外卖也是O2O的其中一种形式，不能把这件事情完全的割裂看看待。
任何一个新兴行业都会经过几个阶段：看不见、看不懂、看不起、追不上。
外卖应该是2000年初开始的，当时在清华南门就有做外卖网站的，我记得05年我们做校内网的时候有一个叫趣多多的网站做了一个外卖的网站，当时他们还跟我们做了一个联合活动。但前几年，很多家做相关业务的死掉了，当然死掉的原因有很多种，无外乎几种原因：时机不对、做法不对、资源不到位。
随着团购，微信、移动互联网，一轮一轮过来，在消费者和商家对于用互联网和移动互联网来解决他们生活中的需求，意识在越来越强。商家利用移动互联网的意识也越来越在变强，所以有很多家又开始进场尝试。
外卖这件事情对美团来说，时机不能说很成熟，应该说时机很紧迫，以前的例子，分类信息，团购，这些大的发展潮流，如果错过某个时间点没进场的话，后面要想进场就变得越来越难了。
所以我们内部讨论了一下，外卖行业是够大的，消费者使用频率够高，商家也都是服务业餐饮商家，所以跟我们之前原先的团购业务是有很大互补的。所以有一种时不我待的感觉，实际过去这些年我们做事情都是很低调的，这次其实是比较破例很高调的做了(外卖O2O)这件事情，入场时间非常短，机会非常大，时不我待。
饿了么：我们做了很久的外卖O2O
(饿了么是外卖O2O领域的先驱，已经在这个领域深耕了5年)
饿了么联合创始人康嘉口述
饿了么是在外卖领域里面精耕细作了好几年的一个创业团队。当时(2008年)我和舍友(现饿了么CEO张旭豪)在宿舍里打实况(电子游戏)，经常叫外卖，觉得这个市场很大，我们就调研了一下准备做外卖，和绝大多数大学生创业一样，我们在校园里找了一个小屋，一些人看上去不修边幅，一起吃、一起睡、一起玩儿，然后折腾点儿东西。
我们还是比较幸运，2011年3月份我们毕业的时候拿到了金沙江的风险投资，今年我们已经完成了红杉领投的C轮(2500万美元)融资。为什么说我们比较幸运呢?是踩在了行业爆发的点上，这个行业就是所谓的O2O。
其实，当年我们做的事情就是给服务业商户提供互联网服务或者IT服务。我觉得给服务业商户提供服务，核心就是两点：
第一点，我们做的事情一定是真的能够帮他们赚到钱，提升他们的利润水平;
第二点，网站无非就是帮商户获取用户嘛。一个一个的商户非常多，但他们这方面的能力可能很差，网站会帮他们获取用户。核心是，帮他获取的用户在不在他社区半径范围之内，如果不在他社区半径范围之内实际上这些用户对他是无效的，就算吸引过来了这些用户也是很难留下来的。
外卖非常符合这两点，所以我们一致认为外卖是非常非常靠谱的生意。
服务业在国民经济中所占的比例会越来越高，甚至会远远超过零售，我觉得这也就是现在BAT争相在O2O里卡位的一个根本原因。
服务业商户五花八门，很多很多，最大的应该就是这些类型。中外都一样，餐厅应该是最最大的，尤其在中国，因为我们是一个能吃会吃并且把吃当成文化的一个民族，我们做的就是专注于餐厅的O2O的生意。
饿了么餐厅的后台Napos，我们给餐厅的服务主要是通过这个东西来实现的，简洁、好用。
我们产品(未来)发展的三个方向：
1.社交点评，就是所谓UGC的一些东西，我们越来越多的把这些东西开始应用了，因为我们已经积累了一些这样的数据，尤其是给餐厅打分之类的。
2.数据分析我们一直非常非常重视，在我们第一版的Napos应该还很粗糙，只是一个尝试，就把餐厅分布饿了么菜品分布做了进去，后来惊奇的发现有的餐厅老板用的非常溜，甚至有的时候会组合出来一些新菜，通过这些帮他获取新的市场、开发新的需求，很有意思。
3.我们给餐厅的客户端，也会带来一些新的机会，解决一些以前解决不了的问题。我们现在每天大概是10万单左右，在高峰的时候可以达到每小时2万单，一般来讲这时候都是天气、气候很恶劣的时候。
这个市场(餐饮O2O)非常非常大。整个行业确实可以说还没有形成巨头。饿了么的目标愿景是成为餐饮业最大的电子商务O2O平台，从我们的名字饿了么也能看的出这点。
淘点点：阿里极度重视餐饮O2O
(淘点点以外卖O2O为切入点，是阿里内部十分重视的O2O部门)
淘点点产品负责人王磊自述
淘点点成立时间不长，我一直在做产品和技术方面的事情，特别i黑马给我这次机会跟大家交流。本来今天是来讨论外卖的，但淘点点其实不仅是外卖。
淘点点现在是跟淘宝、天猫、聚划算一样，是整个阿里集团下单独的部门，说明什么?说明我们心很大，我们想做成跟淘宝、天猫一样。
O2O每个人的理解都不太一样，从淘宝的角度来讲，我们其实一直把它理解成是一个市场。很多人说阿里没有大家天天在用的产品，但阿里最大的产品其实就是这个市场本身。
目前我看，确实没有太多人理解清楚什么是市场，市场看起来很简单只有两头消费者、商家，今天我们讲外卖、讲餐饮是这样，但其实别的东西也都是这样。淘点点很清楚，我们想做移动餐饮的生活服务平台。
其实，淘宝做本地生活做了很多年，从最开始的口碑(网)开始，其实折腾过特别多次了，做过团购、信息分类，当年任何一个业务坚持下来，今年都是个很大的公司。由于当年淘宝卖货这件事情还没处理完，生活服务一直没有当成特别大的重点做。
今天有了特别好的契机，移动互联网的势头势不可挡，特别是去年这一年时间点真的到了，如果再不做我们可能又会错过。所以，移动互联网的出现促使了淘宝加快做(020)这件事情的布局。
其实，消费者和商户这两头要的东西都是很清晰的：
消费者要信息，很多公司在做这个东西，大众点评、百度地图、高德地图，另外要解决吃什么、去哪儿吃，吃完之后有没有折扣，美团最擅长做这个事情。
商家那头很简单，他只关心你能给我带来多少增量的单数，淘点点其实重心一开始没想做外卖，10月份、11月份想试一试外卖，之后的数据也吓了我们一跳。
外卖，我们从2013年11月重点开始做的时候。商家只关心你能给我带来多少订单这个事情。我们校园门口有一个夫妻店，他们找我们说要开个店我们说就开吧，反正营业执照、卫生许可证这些都有，就开店了，上个月我找他说我准备把这个店退掉了，一天大概60多个单从淘宝过来，我说你把这个店关掉可以省5万块钱房租，他说你帮我们省掉这5万块钱房租我就跟着你们淘点点干。
其实，外卖这个平台发生了很多我们都没有预计到的事情。目前淘点点的外卖订单已经有将近10万单了，所以这里面有非常多好玩的事情，包括水果、送餐，现在还有很多超市在这里开店，现在我们拦都拦不住。所以，外卖的确就像阿里巴巴、淘宝一样，把以前的东西做了一些新的变化。
我们现在这个阶段只是在打外卖而已，后面还有预订、点菜。就像我讲到的预订，前两天有个做海鲜的酒家跟我聊，说你一定要给我第一个上预订，我说为什么?他说因为龙虾这些东西是有生存时间的，这样你的预订对我们来说就非常管用。
我们还是淘宝一贯的做法，我们不会做所有的事情，谁擅长做我们就交给谁做，外卖的配送商也在跟我们谈，包括淘宝的建站工具，这些我们都开放出去，我们只做核心的交易流程。
我们跟国内比较大的系统商都谈过了，但他们的系统我们不会接进去，我只管交易流程。就像我上次来北京看&嘉禾一品&，我去了他们的仓库，看完之后我震惊了，我觉得他们跟天猫上面耐克、阿迪达斯这样的店没什么两样，所以淘宝做这个生意肯定不靠谱，但我们可以跟他做个很好的有机结合，很多这样的系统商正在跟我们接。
这是淘点点的思考不是所有人的思考，我觉得我们只做擅长的事情，剩下的交给擅长的人做。我们这方面相关的战略投资也在谈，但得看缘分。
阿里最擅长的东西，就是建个市场，然后解决支付、解决物流，外卖其实跟这整个流程很像，大家只看到了外卖是因为淘点点还没有把所有业务都铺开，我们正在捋顺思路，现在我们在杭州、深圳做点菜的试运营。
淘宝最擅长的就是线上的流量。我们现在的问题不在流量上，而在于线下的拓展上。
现在我们全国北上广深、厦门、成都加起来，我们团队才60多号人，这些人大部分要帮客户解决怎么开淘宝店、支付宝的问题，而现在线下店的入驻，反而是这些商户在找我们，光解决这些问题都不够，所以线下团队是一个很重要的资产。所以，过完年我们会扩大我们在线下的投入。不过还好，阿里巴巴最初起家就是靠我们的腿跑出来的，所以我们不怕，我们愿意下去干这件事情。
包括订做、点菜也是我们后面要核心打的方向，过完年大家就会看到我们的推广，我们在三四月份会有比较大的动作出来。
外卖库：小创业者的外卖O2O求生指南
(外卖库是外卖O2O领域的草根创业公司，前期以外卖信息为主，最近由于O2O风潮到来，在保证生存而对同时谋求转型)
外卖库创始人孟超自述
外卖库，2011年3月份上线。
什么行业适合做O2O?
1.跟LBS位置相关的行业;2.刚需，如果没那么有必要你做起来就很困难;3.频率要很高;4.这个行业得赚钱，如果这个行业什么都满足了最后不赚钱。
首先，外卖很显然的满足了前三个需求，它是个非常强的位置关系，基本算是刚需，对有需要的人来讲使用频率是很高的。最后，我们在想我们干这件事到底能不能赚钱。
外卖这个市场很大。根据我们的统计，在今年营业额大概就是一千亿左右&&当然这是外卖市场，并不是外卖O2O的。
外卖O2O这个行业在今天能收到的钱可能就是交易额的5%。当然还有另外一类做的更辛苦更沉重，替商家做物流服务，能收到订单的15%左右的钱。这和我们估计的一千亿，大家可以算算这个市场有多大。
做外卖O2O存在着很多挑战，我把困难列了一下：
与商家的交通和交互，随着移动互联网的普及这些变得越来越容易了。
服务质量、菜品口味、食品安全等等问题，作为一个外卖O2O企业来讲都是必须要考虑。
用户投诉处理、责任界定、结算、产品开发、推广等等，这些都是如果你介入外卖O2O这个行业里必须要解决的问题。
&&还是回到前面对盈利的思考，一个企业能不能盈利无非是两个方面：收入、成本。
解决这些问题，你所负担的成本是不是能在你获得的收入之下?如果在，那么你的商业模式是work的，如果不在，不管你做的多大，无非是你做的越大赔的越多嘛，因为你挣的钱不如你花的钱多。
当然大家会反驳我或者不认可，因为什么都在变，尤其是大家认为垄断是可以创造利润的，最直接的就是京东，美团也可以算这样的企业。尽管他们一开始没赚钱，但占据了很大市场份额的时候开始赚钱了。外卖O2O行业能不能存在垄断的可能性?我们觉得只会出现两种可能：一种是出现不盈利的垄断，某几家大家用非常好的产品、用户体验、推广资源，导致了用户流向了这些垄断者或者寡头，在这种情况下你是不是就能获得高额利润呢?
你是不是就有和商家和用户议价的能力了呢?我们觉得未必。如果说垄断了以后想盈利，那你就一定要面临着盈利的竞争，因为外卖有两个非常非常强的属性，一个是本地性，第二个是用户转移。
所以，(外卖O2O)垄断性的盈利也很难实现。
作为小创业公司，巨头纷纷介入的情况下，我们能做什么?
全套服务意味着你付出了更高的成本，这个行业的利润率很低，我们不做全套服务。我们在2012年的年底推出了app，我们采用&外卖星探&的模式，让用户为我们贡献全国各地外卖店的菜单。我们给用户付钱，付的钱用户可以自己提走，也可以通过我们捐赠给&免费午餐&(公益)。上海有一位女士，她通过她贡献的外卖单在我这儿每个月领到的工资应该很多了，我觉得比白领赚的都不会少。
我们外卖信息覆盖了189个县级城市。我们现在网站上有的外卖店数量是3万多家，我们在app store上的排名还是可以的，大家可以搜一下。去年我一直都跟别人说，我们是app store上综合外卖类的排名第一，当然今天淘点点已经把我们超过了，所以我不敢说我们是第一了，但我们一直还是比较靠前的。
我付给用户的钱去年一年大概不到10万，我在推广上的钱大概是0，我有70多万的用户。没有那么多资源可以发传单、做活动，但我们证明了，仅仅提供基础服务，也是有人需要的。
为什么这个东西我们认为是有人埋单的?因为，即便像淘点点、饿了么、美团，他们掌握了很多资源去开店，但你也要梳理一些目标，6个城市、20个城市、50个城市，中国有这么多人，我想饿了么很早就来北京了，应该是2012年的9月份来北京的，时间也不短了，但我相信他完全没完成北京这个城市的覆盖，可能在某些好的优质区域早就覆盖了服务，但在丰台的总部基地我在上面看了只有一家。
还有一些地方，不是说你不想覆盖，即便你有2500万美金你也要有一些轻重缓急嘛，这也是对的，那我想说你没覆盖的地方我们就是白捡了，我们只需要把后台放上就好了，大家爱用就用嘛，反正我们也不做推广、不做宣传，如果你觉得饿了么很好，那你就用，因为我也用，但你没覆盖的我们就覆盖了，所以我们先捡点儿这些你们剩余的用户。
我们一直认为我们是一个外卖信息类的平台，因为我就是把这些信息收集起来给大家去用，我们没有任何人做线下的事儿，我们所有的客户外卖店老板全是主动找我来的，只要你跟我说麻烦你能不能派个业务员到我们店里来一趟?我说对不起，我们现在没有业务员，要么您跟我过来谈，要么我给你寄合同，要么就算了。
但今年不一样了，有很多原因，一个是O2O大潮来临了，二是这个行业的大佬进来了。在这种情况下，我们也要做一些策略性的改变。虽然我们是小公司、创业公司，但我们认为可能也有一些方式，去在夹缝中生存做一些不同的东西出来。
我们的用户主要是白领，学生比较少，女性叫外卖的比例是比男性高的，大概是65：35。
作者：韦物主义&
最新图文推荐
合作媒体专栏
i黑马致力于帮助创业者从全球范围内获得灵感,获取最新创业策划,最佳创业项目,最大创业投资和融资,获得良好宣传,获得创业经验,获得尊重!了解创业融资渠道,洞察创业...
大家感兴趣的内容
&&<a class="red" href="" target="_blank" color="red新版网站排行榜
===全新上线===
网友热评的文章
seajs.config({
base: "/resource/passapi/scripts/"
seajs.use('seajs/seajs-css');
seajs.use(['artdialog/src/dialog-plus'], function (dialog) {
$('#favorite').on('click', function(){
$.getJSON('/passapi.php?op=userstatus&callback=?', function(data){
if (data.status == 1) {
var _this = $('#favorite').find('span');
$.getJSON('/?app=favorite&controller=favorite&action=add&jsoncallback=?&contentid='+contentid, function(json){
if(json.state){
_this.html('美团里面我的收藏分团购和商家是什么意思_百度知道
美团里面我的收藏分团购和商家是什么意思
您的回答被采纳后将获得：
系统奖励20（财富值+经验值）+难题奖励20（财富值+经验值）
我有更好的答案
团购是这家店可以团购，商家是现在没有团购的的店
其他类似问题
为您推荐：
美团的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁美团推荐算法实践前言
推荐系统并不是新鲜的事物，在很久之前就存在，但是推荐系统真正进入人们的视野，并且作为一个重要的模块存在于各个互联网公司，还是近几年的事情。
随着互联网的深入发展，越来越多的信息在互联网上传播，产生了严重的信息过载。如果不采用一定的手段，用户很难从如此多的信息流中找到对自己有价值的信息。
解决信息过载有几种手段：一种是搜索，当用户有了明确的信息需求意图后，将意图转换为几个简短的词或者短语的组合（即query），然后将这些词或短语组合提交到相应的搜索引擎，再由搜索引擎在海量的信息库中检索出与query相关的信息返回给用户；另外一种是推荐，很多时候用户的意图并不是很明确，或者很难用清晰的语义表达，有时甚至连用户自己都不清楚自己的需求，这种情况下搜索就显得捉襟见肘了。尤其是近些年来，随着电子商务的兴起，用户并非一定是带着明确的购买意图去浏览，很多时候是去“逛”的，这种情景下解决信息过载，理解用户意图，为用户推送个性化的结果，推荐系统便是一种比较好的选择。
美团作为国内发展较快的o2o网站，有着大量的用户和丰富的用户行为，这些为推荐系统的应用和优化提供了不可或缺的条件，接下来介绍我们在推荐系统的构建和优化过程中的一些做法，与大家共享。
从框架的角度看，推荐系统基本可以分为数据层、触发层、融合过滤层和排序层。数据层包括数据生成和数据存储，主要是利用各种数据处理工具对原始日志进行清洗，处理成格式化的数据，落地到不同类型的存储系统中，供下游的算法和模型使用。候选集触发层主要是从用户的历史行为、实时行为、地理位置等角度利用各种触发策略产生推荐的候选集。候选集融合和过滤层有两个功能，一是对出发层产生的不同候选集进行融合，提高推荐策略的覆盖度和精度；另外还要承担一定的过滤职责，从产品、运营的角度确定一些人工规则，过滤掉不符合条件的item。排序层主要是利用机器学习的模型对触发层筛选出来的候选集进行重排序。
同时，对与候选集触发和重排序两层而言，为了效果迭代是需要频繁修改的两层，因此需要支持ABtest。为了支持高效率的迭代，我们对候选集触发和重排序两层进行了解耦，这两层的结果是正交的，因此可以分别进行对比试验，不会相互影响。同时在每一层的内部，我们会根据用户将流量划分为多份，支持多个策略同时在线对比。
数据乃算法、模型之本。美团作为一个交易平台，同时具有快速增长的用户量，因此产生了海量丰富的用户行为数据。当然，不同类型的数据的价值和反映的用户意图的强弱也有所不同。
主动行为数据
搜索、筛选、点击、收藏、下单、支付、评分
文本评价、上传图片
负反馈数据
左滑删除、取消收藏、取消订单、退款、负评、低评
用户人口属性、美团DNA、品类偏好、消费水平、工作地与居住地
用户主动行为数据记录了用户在美团平台上不同的环节的各种行为，这些行为一方面用于候选集触发算法（在下一部分介绍）中的离线计算（主要是浏览、下单），另外一方面，这些行为代表的意图的强弱不同，因此在训练重排序模型时可以针对不同的行为设定不同的回归目标值，以更细地刻画用户的行为强弱程度。此外，用户对deal的这些行为还可以作为重排序模型的交叉特征，用于模型的离线训练和在线预测。
负反馈数据反映了当前的结果可能在某些方面不能满足用户的需求，因此在后续的候选集触发过程中需要考虑对特定的因素进行过滤或者降权，降低负面因素再次出现的几率，提高用户体验；同时在重排序的模型训练中，负反馈数据可以作为不可多得的负例参与模型训练，这些负例要比那些展示后未点击、未下单的样本显著的多。
用户画像是刻画用户属性的基础数据，其中有些是直接获取的原始数据，有些是经过挖掘的二次加工数据，这些属性一方面可以用于候选集触发过程中对deal进行加权或降权，另外一方面可以作为重排序模型中的用户维度特征。
通过对UGC数据的挖掘可以提取出一些关键词，然后使用这些关键词给deal打标签，用于deal的个性化展示。
上文中我们提到了数据的重要性，但是数据的落脚点还是算法和模型。单纯的数据只是一些字节的堆积，我们必须通过对数据的清洗去除数据中的噪声，然后通过算法和模型学习其中的规律，才能将数据的价值最大化。在本节中，将介绍推荐候选集触发过程中用到的相关算法。
##1. 协同过滤
提到推荐，就不得不说协同过滤，它几乎在每一个推荐系统中都会用到。基本的算法非常简单，但是要获得更好的效果，往往需要根据具体的业务做一些差异化的处理。
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，因此要在第一步的数据清洗中就将这些数据剔除。
合理选取训练数据。选取的训练数据的时间窗口不宜过长，当然也不能过短。具体的窗口期数值需要经过多次的实验来确定。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与item-based相结合。
user-based
更依赖于当前用户相近的用户群体的社会化行为
适用于用户数较少的场合
时效性强，用户个性化兴趣不太显著的场合
新加入的物品能很快进入推荐列表
用户新的行为不一定导致推荐结果的变化
item-based
更侧重用户自身的个体行为
适用于物品数较少的场合
长尾物品丰富，用户个性化需求强烈的场合
新加入的用户能很快得到推荐
用户新的行为一定导致推荐结果的变化
尝试不同的相似度计算方法。在实践中，我们采用了一种称作loglikelihood ratio[1]的相似度计算方法。在mahout中，loglikelihood ratio也作为一种相似度计算方法被采用。下表表示了Event A和Event B之间的相互关系，其中：k11 ：Event A和Event B共现的次数k12 ：Event B发生，Event A未发生的次数k21 ：Event A发生，Event B未发生的次数k22 ：Event A和Event B都不发生的次数
Everything but A
A and B together (k_11)
B, but not A (k_12)
Everything but B
A without B (k_21)
Neither A nor B (k_22)
则logLikelihoodRatio=2 * (matrixEntropy - rowEntropy - columnEntropy)
其中rowEntropy = entropy(k11, k12) + entropy(k21, k22)columnEntropy = entropy(k11, k21) + entropy(k12, k22)matrixEntropy = entropy(k11, k12, k21, k22)(entropy为几个元素组成的系统的香农熵)
##2. location-based
对于移动设备而言，与PC端最大的区别之一是移动设备的位置是经常发生变化的。不同的地理位置反映了不同的用户场景，在具体的业务中可以充分利用用户所处的地理位置。在推荐的候选集触发中，我们也会根据用户的实时地理位置、工作地、居住地等地理位置触发相应的策略。
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
区域消费热单
区域购买热单
当新的线上用户请求到达时，根据用户的几个地理位置对相应地理位置的区域消费热单和区域购买热单进行加权，最终得到一个推荐列表。
此外，还可以根据用户出现的地理位置，采用协同过滤的方式计算用户的相似度。
##3. query-based搜索是一种强用户意图，比较明确的反应了用户的意愿，但是在很多情况下，因为各种各样的原因，没有形成最终的转换。尽管如此，我们认为，这种情景还是代表了一定的用户意愿，可以加以利用。具体做法如下：
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的权重及query下不同deal的权重进行加权，取出权重最大的TopN进行推荐。
##4. 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。而图算法可以打破这一限制，将user与deal的关系视作一个二部图，相互间的关系可以在图上传播。Simrank[2]是一种衡量对等实体相似度的图算法。它的基本思想是，如果两个实体与另外的相似实体有相关关系，那它们也是相似的，即相似性是可以传播的。
Let s(A,B) denote the similarity between persons A and B, for A != B
Let s(c,d) denote the similarity between items c and d, for c != d
O(A),O(B): the set of out-neighbors for node A or node BI(c),I(d): the set of in-neighbors for node c or node d
simrank的计算（采用矩阵迭代的方式）
计算得出相似度矩阵后，可以类似协同过滤用于线上推荐。
##5. 实时用户行为目前我们的业务会产生包括搜索、筛选、收藏、浏览、下单等丰富的用户行为，这些是我们进行效果优化的重要基础。我们当然希望每一个用户行为流都能到达转化的环节，但是事实上远非这样。
当用户产生了下单行为上游的某些行为时，会有相当一部分因为各种原因使行为流没有形成转化。但是，用户的这些上游行为对我们而言是非常重要的先验知识。很多情况下，用户当时没有转化并不代表用户对当前的item不感兴趣。当用户再次到达我们的推荐展位时，我们根据用户之前产生的先验行为理解并识别用户的真正意图，将符合用户意图的相关deal再次展现给用户，引导用户沿着行为流向下游行进，最终达到下单这个终极目标。
目前引入的实时用户行为包括：实时浏览、实时收藏。
##6. 替补策略虽然我们有一系列基于用户历史行为的候选集触发算法，但对于部分新用户或者历史行为不太丰富的用户，上述算法触发的候选集太小，因此需要使用一些替补策略进行填充。
热销单：在一定时间内销量最多的item，可以考虑时间衰减的影响等。
好评单：用户产生的评价中，评分较高的item。
城市单：满足基本的限定条件，在用户的请求城市内的。
子策略融合
为了结合不同触发算法的优点，同时提高候选集的多样性和覆盖率，需要将不同的触发算法融合在一起。常见的融合的方法有以下几种[3]：
加权型：最简单的融合方法就是根据经验值对不同算法赋给不同的权重，对各个算法产生的候选集按照给定的权重进行加权，然后再按照权重排序。
分级型：优先采用效果好的算法，当产生的候选集大小不足以满足目标值时，再使用效果次好的算法，依此类推。
调制型：不同的算法按照不同的比例产生一定量的候选集，然后叠加产生最终总的候选集。
过滤型：当前的算法对前一级算法产生的候选集进行过滤，依此类推，候选集被逐级过滤，最终产生一个小而精的候选集合。
目前我们使用的方法集成了调制和分级两种融合方法，不同的算法根据历史效果表现给定不同的候选集构成比例，同时优先采用效果好的算法触发，如果候选集不够大，再采用效果次之的算法触发，依此类推。
候选集重排序
如上所述，对于不同算法触发出来的候选集，只是根据算法的历史效果决定算法产生的item的位置显得有些简单粗暴，同时，在每个算法的内部，不同item的顺序也只是简单的由一个或者几个因素决定，这些排序的方法只能用于第一步的初选过程，最终的排序结果需要借助机器学习的方法，使用相关的排序模型，综合多方面的因素来确定。
##1. 模型非线性模型能较好的捕捉特征中的非线性关系，但训练和预测的代价相对线性模型要高一些，这也导致了非线性模型的更新周期相对要长。反之，线性模型对特征的处理要求比较高，需要凭借领域知识和经验人工对特征做一些先期处理，但因为线性模型简单，在训练和预测时效率较高。因此在更新周期上也可以做的更短，还可以结合业务做一些在线学习的尝试。在我们的实践中，非线性模型和线性模型都有应用。
非线性模型目前我们主要采用了非线性的树模型Additive Groves[4]（简称AG），相对于线性模型，非线性模型可以更好的处理特征中的非线性关系，不必像线性模型那样在特征处理和特征组合上花费比较大的精力。AG是一个加性模型，由很多个Grove组成，不同的Grove之间进行bagging得出最后的预测结果，由此可以减小过拟合的影响。每一个Grove有多棵树组成，在训练时每棵树的拟合目标为真实值与其他树预测结果之和之间的残差。当达到给定数目的树时，重新训练的树会逐棵替代以前的树。经过多次迭代后，达到收敛。
线性模型目前应用比较多的线性模型非Logistic Regression莫属了。为了能实时捕捉数据分布的变化，我们引入了online learning，接入实时数据流，使用google提出的FTRL[5]方法对模型进行在线更新。
主要的步骤如下：
在线写特征向量到HBase
Storm解析实时点击和下单日志流，改写HBase中对应特征向量的label
通过FTRL更新模型权重
将新的模型参数应用于线上
采样：对于点击率预估而言，正负样本严重不均衡，所以需要对负例做一些采样。
负例：正例一般是用户产生点击、下单等转换行为的样本，但是用户没有转换行为的样本是否就一定是负例呢？其实不然，很多展现其实用户根本没有看到，所以把这样样本视为负例是不合理的，也会影响模型的效果。比较常用的方法是skip-above，即用户点击的item位置以上的展现才可能视作负例。当然，上面的负例都是隐式的负反馈数据，除此之外，我们还有用户主动删除的显示负反馈数据，这些数据是高质量的负例。
去噪：对于数据中混杂的刷单等类作弊行为的数据，要将其排除出训练数据，否则会直接影响模型的效果。
##3. 特征在我们目前的重排序模型中，大概分为以下几类特征：
deal(即团购单，下同)维度的特征：主要是deal本身的一些属性，包括价格、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
对于非线性模型，上述特征可以直接使用；而对于线性模型，则需要对特征值做一些分桶、归一化等处理，使特征值成为0~1之间的连续值或01二值。
以数据为基础，用算法去雕琢，只有将二者有机结合，才会带来效果的提升。对我们而言，以下两个节点是我们优化过程中的里程碑：
将候选集进行融合：提高了推荐的覆盖度、多样性和精度
引入重排序模型：解决了候选集增加以后deal之间排列顺序的问题
以上是我们在实践中的一点总结，当然我们还有还多事情要做。we are still on the way!
本文为美团推荐与个性化团队集体智慧的结晶，感谢为此辛苦付出的每一个成员。同时，团队长期招聘算法工程师与平台研发工程师，感兴趣的同学请联系hr.，邮件标题注明“应聘推荐系统工程师”。
#Reference
关注我们扫码关注技术博客微信搜索 "美团技术团队"