外卖平台有哪些?常用的外卖APP推荐 回顾·外卖推荐算法中有哪些机制与手段？

文章来源：网络整理作者：滴滴速下发布时间：2023-04-28 18:11:18

本文由社区根据饿了么研发总监马尧在先锋大会上分享的《外卖推荐算法中的市场机制与控制措施》整理而成。

说到市场机制和调控方式，大家可能会想到某些中央机构。 在流量分配方面，我们的角色是相似的。 搜索和推荐是饿了么的核心流量入口。 我们通过市场机制实现流量效率最大化，而监管方式更多的是兼顾平台的效率和长远目标，以及流量生态的健康。

今天分享的内容分为以下几个方面。 首先是饿了么外卖推荐的业务形态，然后是搜索推荐平台的目标和定位。 接下来，我们将讨论外卖推荐领域的特殊挑战以及一些外卖推荐算法。 市场机制和调节手段。

1、饿了么的外卖推荐业务形态

前面提到，搜索推荐是饿了么的核心流量分发入口。 平台上90%以上的用户通过各种搜索推荐产品在下单前做出决定。 我们每天负责数千万订单的精准匹配，涉及首页推荐、搜索、金刚入口、活动会场、发现页、订单页等不同业务场景。 平台方面，除了饿了么APP外卖外，还有支付宝外卖、手机淘宝外卖等阿里相关流量。 品类也比较丰富。 除了美食餐饮外卖，还有水果、生鲜、药品、鲜花等可以通过外卖变现。

外卖业务的简要流程：首先，用户进入APP后会有浏览行为。 访问到某个模块后，点击某个商家或食品就可以到达店铺，然后会有一个选择和加入购物车的过程，然后就完成了下单。 前面的步骤看似和传统电商差不多，但有一个核心区别，就是用户下单后，还有商家发货和即时发货的过程。 下单后的这个环节，也会影响用户的一生。 推荐场景需要考虑经验。

2、饿了么搜索推荐平台的目标与定位

作为流量分发的枢纽，饿了么的推荐平台连接了用户（流量）、商家（供给）和平台本身等几个不同的角色，需要明确定位。 对于用户/流量端，主要是为用户提供良好的决策体验，帮助用户选择满意的餐厅和美食，优化全链路的用户体验。 对于商家端，需要带来精准流量，增加订单，不断提升商家曝光效率，助力商家在平台成长。 最后，对于平台而言，核心是提供流量变现、交易价值，构建健康的流量生态，服务于平台的长远目标。

3. 外卖推荐的特殊挑战

让我们谈谈外卖推荐的一些特殊挑战。 首先，不同于传统的搜索和电商，用户下单后有一个即时配送的过程，配送是否满意也是影响用户体验的一个重要因素，因为外卖用户往往对时间敏感，尤其是在午餐和晚餐高峰期。 一般而言，用户对商家的喜好程度以及是否转化是衡量推荐质量的重要因素，但外卖中存在一种情况，虽然商家偏爱商家，但在下单后很久才送达被放置。 用户喜爱商家但整个链路的时间体验比较差。 这是我们在流量分发阶段需要考虑的问题。 转化率、决策效率、投放时间需要综合考虑。 第二点，峰值效应更加明显。 峰值是平时的几十倍，而且峰值比较尖锐，类似于尖刺，这会给工程带来很大的挑战。 同时，用户行为分布在高峰期变化迅速。 快速捕捉用户行为提出了比较高的要求。 第三点是直接的资源约束和限制。 餐厅资源和物流骑手运营资源在固定时间相对有限。 如何在多重约束下综合优化用户体验也是一个挑战。 最后，区域化将与交通的宏观调控有关。 外卖客流量呈点状分布，网格效应弱。 而且，每个地区的城市发展、交付阶段、交通分布都不同。 不同的区域有不同的也对应不同的流量策略，所以流量控制方法就显得尤为重要。

为了解决这些问题，我们简单地将它们分为两个层次。 市场机制是以下三个部分，主要解决效率最大化的问题，包括识别与挖掘、精准召回算法、智能排序算法。 管控方式更偏向于产品和业务规则。 同时，在规则中会融入一些算法，以达到流量支持、长期目标和生态目标之间的平衡。 包括兼顾用户体验的策略、支持特殊业务的策略、新店长的成长策略等。

4. 外卖推荐算法中的市场机制

外卖推荐算法的市场机制方面主要是在效率最大化目标和算法目标之间建立一些联系。 基于现有流量和供应，通过深度挖掘、精准匹配和智能排序机制，最大化用户体验和平台效率。

推荐算法的拆解如上图所示。 在外卖、交通、供应、转化和履行领域有四个重要角色。 搜索推荐对用户订单的转化起着关键作用，会将目标拆解成不同的子模型。 比如GMV会被分解为点击模型、转化模型、客单价模型。 如果考虑每笔订单的收入，会建立单一的收入模型，以及偏向于用户体验的指标，如决策效率、用餐体验、等待时间等。 要优化的模型。

优化目标的节奏从转化率—>访问率—>毛GMV—>净GMV—>净GMV+UE。 早期主要优化转化率，但外卖平台消费频率高，很多用户一天下单2次以上，所以优化目标调整为访问购买率（订单量） /紫外线）。 除了转化率，用户的下单频率也要优化。 为平衡用户体验与平台目标，在提升品质感的同时，兼顾高客单价商户需求，将优化目标调整为GMV（交易量），其中客单价预估模型也被引入。 后来为了打击虚假自销和虚高价格，将优化目标调整为实际GMV。 目前，随着新一轮平台目标的变化外卖平台有哪些?常用的外卖APP推荐，我们正在努力针对新的目标进行优化。

送餐推荐系统架构与大多数推荐系统架构相似。 最底层是基础设施层，包括大数据处理的Spark、深度学习工具、分布式EKV、实时计算的平台和工具。 目前，融入阿里经济体后，会在服务和数据方面进行打通，更好地融入阿里技术体系。

数据/特征层包括数据埋点、采集、清洗、加工、建模、应用等多个环节。 特征部分非常关键，包括人工特征工程和很多通过模型的特征，包括用户维度，业务维度，上下文维度的特征。

算法模型层的核心是召回和排序。 外卖场景是LBS属性较强的场景，召回主要基于LBS搜索； 标记和矢量化的召回也将在以后添加。 去年我们在这方面做了一些不错的实验。 例如，标签召回。 如前所述，本地化的挑战之一在于非结构化信息。 商家上传的菜品种类繁多，直接文字匹配效果不够好。 为此，我们首先使用离线挖掘方案来挖掘菜肴的口味、配料、菜系和烹饪方法的标记表示。 在搜索阶段，我们通过标签进行召回，有效解决了意图匹配的问题。 向量化主要是通过 等方法生成商品、美食、搜索词等的向量化表示，是一种比较通用的表达方式。 生成向量后，根据向量的相似性对其进行召回。 这种方法在各个模块都取得了不错的效果，甚至在没有结果的推荐等模块实现了好几倍的转化率。 另外在精确召回过程中往往会进行一轮粗排序，主要是为了在效果和性能上取得更好的平衡。

智能排序（Rank）环节在外卖等大家熟悉的强LBS业务中更为关键，召回环节的结果会通过模型重新排序，以达到更好的体验和业务目标。 在这个环节，我们经历了算法模型和优化目标的多次升级，后面会重点介绍。

最上层是产品/业务层，会更偏向于一些控制策略。 右边会展示一些常用的服务，比如实时数据服务、人像服务、要素服务等。

在线服务架构：Rank服务在用户请求后，主要负责请求分发、结果聚合、用户策略调整。 请求会根据用户场景发送到搜索服务集群或推荐召回集群，并进行相应的召回和初步排名。 真正的模型预测在模型预测服务里面，会做机器学习预测或者精编。

段位模型升级路线

升级路线：

从前面的人工规则到线性模型的LR，再到后来的非线性模型和模型融合阶段，再到基于深度学习和在线学习的模型。 总体来说，模型的复杂度越来越高，时效性越来越快，从第一天的级别到后来的秒级更新。 优化目标也将与平台目标一起发展。 目前主要是基于最大化GMV+用户的整体体验。 虽然模型的复杂度越来越高，时效性越来越强，但是模型的整体收益和原来相比是越来越少了。 比如LR和手工规则相差10%，然后主要是GBDT/GBDT+FTRL。 增加 5%。 在深度学习模型阶段，工程和算法的复杂度进一步提升，但营收增幅也进一步收窄。

接下来介绍Wide&Deep模型在排序中的应用。 主要参考的是发表的论文做了一些修改。 第一点是在Wide部分加入了GBDT的叶子节点，包括点击模型和订单模型。 因为我们是从GBDT迁移过来的，所以很多工作可以复用，在deep部分加入一些预训练的商家特征或者用户特征，或者相互融合。 后来，我再次尝试了该模型。 整体结构与论文一致。 修改后的方案充分利用了DNN学习高阶交互特征的能力和FM学习二阶交互特征的能力。 它完全避免了人为构造的特征。 它是一种端到端的端到端模型，在在线实验中也表现得更好。

在线学习和实时引擎

在线学习在外卖推荐中的应用，主要是为了解决用户行为快速变化和商业状况、运力、天气等因素随时变化的问题。 通过实时生态​​系统的不断完善，实时样本流构建、实时特征、实时模型更新与评估等解决方案逐渐成熟。 基于此，multi-step + FTRL有了很大的提升外卖平台有哪些?常用的外卖APP推荐，效果是一段时间内模型最好的。 主要用到了论文算法FTRL。 优点是可以生成稀疏解，收敛速度好，支持并行处理，可以训练大规模模型，易于实现。

左边是实时效果引擎。 基于在线排序引擎，聚合业务日志和用户行为数据，生成实时样本流。 然后进入在线训练模型进行实时模型训练和更新，排序引擎会周期性加载模型训练的参数进行在线排序。

从模型结构上看，GBDT和FTRL的融合会输出GBDT的叶节点，将人工特征输入到模型中进行预测。

目前，前三个模型在不同应用场景下的模型复杂度上线运行。 推荐技术升级路线的整体路线还包括数据、特性、模型、业务理解升级。

5. 外卖推荐算法中的调控方法

管控手段主要用于解决长期存在的平台生态问题，即在效率最大化的基础上对流量进行再分配。 考虑平台的短期和长期目标。 包括很多方面的平衡。 如果单纯以单日GMV最大化为目标，会出现流量分布的马太效应、新店增长等诸多问题。

• 用户对商家、产品和整体满意度的偏好平衡

• 当天即时转单的需求与挖掘用户兴趣的成本之间的平衡；

• 自然流量效率与商家在平台成长或赋能线下商家之间的平衡；

•平台短期利益与长期生态的平衡。

•不同业务线之间的流量平衡，短期平台广告收入与平台转化的平衡。

针对这些问题，很多控制方法被用来解决这些问题，比如使用多个模型来融合用户当前转化率和满意度的结果，估计用户订单的整体时长和转换率。 利用EE算法逼近流量比，促进新店增长，同时探索和拓展用户兴趣边界，防止过度个性化。 配置区域化优化目标，线下赋能一定流量，支持特定区域化目标或支持特定业务，最后一点是长期和短期目标的平衡，短期GMV目标+复购率提升，短期-term GMV只考虑当前时间，为了收益最大化，需要加入复购率来平衡长期目标。 还有就是广告收入vs平台转化流量，通过这个可以控制广告流量的密度，用流量来带动外卖商家的提升，提升经营水平。

一些尝试：

(1) 对于用户生命周期分析，流失的核心原因是（对产品满意，对服务或配送不满意，商家不够丰富或推荐范围太窄），策略是整合多个目标模型，转化模型（当前转化率/GMV）+满意度模型（整体用户体验）； 回购率提升：重新分配流量，尽量向回购率高的商家倾斜，促进回访和回购； 新鲜度：分配一定比例的流量E&E。

(2) 区域定制目标和流量分配。 起初，模型是根据城市来建立的，但他们不明白每个城市的目标是不同的。 他们只是做了一个单独的模型来优化他们的转化率。 目前是针对每个区域进行目标配置，或者将一定的流量分配给特定的商户或商户。

(3) 外卖推荐控制手段——E&E

为了在支撑和效率之间取得平衡，引入了一些算法机制，比如EE算法解决新店增长支撑、区域商户流量支撑、用户新鲜度策略等。 策略也经历了一定的演变，从早期的锁仓到轮播策略再到现在的探索利用。 常用的 MAB 算法有 , -, UCB, 和 Lin UCB。

我们在算法上也做了一些探索，比如冷启动流量支持和流量质量探索。 该阶段结合业务经验给予初始优先级，加上并周期性明确参数，实现充分探索。 在使用阶段，商户累计统计收入作为使用。 在外卖场景中，会出现不同时间场景，用户统计收入不准确。 因此，统计收入结合预估收入进行使用。 在新店扶持方面，曝光效率较人工提升70%，新店扶持率提升30%。

关于作者：

马尧，饿了么研发总监，搜索推荐与商业策略研发负责人。 目前负责流量分发和变现领域的技术体系，包括搜索、推荐、Rank和广告技术在饿了么平台的应用，带领团队建立了搜索和推荐的技术体系，并充分将机器学习引入各种核心业务。 在利用数据挖掘和机器学习技术提升用户体验、平台收益、赋能商户方面有丰富的实践。 曾就职于美团点评和腾讯。