外賣(mài)套餐搭配的探索和應(yīng)用

本文系外賣(mài)美食知識(shí)圖譜系列的第三篇文章，從技術(shù)層面我們會(huì)介紹外賣(mài)套餐搭配的技術(shù)方案，包括離線、實(shí)時(shí)的套餐搭配的迭代，套餐質(zhì)量評(píng)估方案，同時(shí)會(huì)介紹套餐搭配的業(yè)務(wù)應(yīng)用。

讓用戶(hù)更方便快捷地選購(gòu)到滿(mǎn)意的外賣(mài)商品，是美團(tuán)外賣(mài)一直在努力的方向。本文主要介紹了針對(duì)美食類(lèi)商家的套餐搭配技術(shù)以及應(yīng)用實(shí)踐。在外賣(mài)點(diǎn)餐的選擇過(guò)程中，用戶(hù)一般會(huì)考慮單品偏好、組合搭配等因素，挑選商家和商品的過(guò)程耗時(shí)較長(zhǎng)。我們通過(guò)套餐搭配技術(shù)，基于商家的候選商品，自動(dòng)搭配優(yōu)質(zhì)套餐，輕松解決用戶(hù)“選擇困難癥”，能夠提升用戶(hù)的決策效率。

目前，美團(tuán)外賣(mài)App的套餐搭配應(yīng)用有很多，有“今日套餐推薦”、“滿(mǎn)減神器”、“套餐搭配推薦”等。由于目前外賣(mài)商家自行搭配套餐的能力較弱而且意愿不強(qiáng)，導(dǎo)致外賣(mài)套餐底層供給對(duì)業(yè)務(wù)場(chǎng)景和商家的覆蓋率偏低，不能滿(mǎn)足套餐相關(guān)推薦排序應(yīng)用的需求。因此，外賣(mài)套餐搭配的業(yè)務(wù)目標(biāo)是對(duì)于美食類(lèi)商家搭配出候選的套餐組合，給套餐相關(guān)應(yīng)用方提供更豐富的套餐供給。

圖1 “套餐推薦” 、“滿(mǎn)減神器套餐推薦”、“菜品詳情頁(yè)套餐搭配”應(yīng)用示例

對(duì)于套餐相關(guān)應(yīng)用方，我們進(jìn)行了業(yè)務(wù)分析：“今日推薦”、“滿(mǎn)減神器”等業(yè)務(wù)的搭配條件相對(duì)較弱且可以離線獲取搭配條件，歸類(lèi)為推薦型相關(guān)業(yè)務(wù)，此類(lèi)業(yè)務(wù)需要保證商家的套餐覆蓋率提升，從而保證商家的推薦露出。詳情頁(yè)、滿(mǎn)減加購(gòu)等業(yè)務(wù)的搭配條件較強(qiáng)，而且偏實(shí)時(shí)。例如，詳情頁(yè)是用戶(hù)指定一個(gè)菜品后進(jìn)行搭配，滿(mǎn)減加購(gòu)場(chǎng)景是用戶(hù)選擇一個(gè)菜品和特定的價(jià)格區(qū)間作為條件。這些屬于搭配型業(yè)務(wù)，此類(lèi)業(yè)務(wù)需要保證套餐對(duì)實(shí)時(shí)場(chǎng)景的覆蓋，從而保證套餐搭配Tab的露出。套餐搭配算法的目標(biāo)有：①提升套餐組合的覆蓋度，從而給下游的套餐相關(guān)應(yīng)用提供場(chǎng)景覆蓋率高、多樣性充足的套餐組合。②保證搭配套餐的質(zhì)量。

商品搭配在電商場(chǎng)景下也存在較多的應(yīng)用，例如淘寶的購(gòu)物車(chē)搭配、服裝搭配，化妝品搭配。購(gòu)物車(chē)搭配是基于用戶(hù)購(gòu)物車(chē)、已購(gòu)買(mǎi)商品的打包推薦，例如，用戶(hù)在加購(gòu)牙刷后，可以給出牙膏的推薦。這類(lèi)方法主要基于商品的購(gòu)買(mǎi)行為進(jìn)行相關(guān)性的推薦，目標(biāo)不是形成一個(gè)完成的搭配組合。但是，外賣(mài)美食商品搭配則需要考慮整個(gè)組合的合理性，而不單純基于商品是否相關(guān)。比如：大量訂單中有“小炒肉+番茄雞蛋湯+米飯”、“魚(yú)香肉絲+番茄雞蛋湯+米飯”等組合方式，但是“番茄雞蛋湯+米飯”并不構(gòu)成一個(gè)好的套餐搭配。

服裝搭配和化妝品搭配為面向組合的搭配推薦，對(duì)此類(lèi)搭配問(wèn)題的解決方案大體分成兩類(lèi)，一類(lèi)是：搭配模式用于模型挑選商品過(guò)程的剪枝，搭配模式可以是人工或者模型的方式先驗(yàn)給出，參考文獻(xiàn)中的論文4、5采用此思路，該方法的特點(diǎn)是搭配效果靠剪枝策略+質(zhì)量評(píng)估模型共同保證。另一類(lèi)是通過(guò)端到端的網(wǎng)絡(luò)參數(shù)學(xué)習(xí)搭配模式思路，論文6和我們的離線套餐搭配采用此思路，該方案的特點(diǎn)是搭配效果更依賴(lài)于端到端模型保證，但同時(shí)搭配模型更復(fù)雜。

相比電商場(chǎng)景的商品搭配，美食搭配面臨獨(dú)特的業(yè)務(wù)挑戰(zhàn)：

套餐搭配的業(yè)務(wù)場(chǎng)景和搭配條件比較多樣，因此套餐搭配方案需要滿(mǎn)足各類(lèi)業(yè)務(wù)、各種搭配條件下的需求。

美食商品屬于非標(biāo)品，且不同商家銷(xiāo)售的商品各不相同，導(dǎo)致套餐搭配模式因商家而異。例如，不同商家銷(xiāo)售的宮保雞丁，在份量、口味、食材、價(jià)格上都不相同，因此對(duì)于宮保雞丁這道菜也會(huì)有不同的套餐搭配方式。

算法搭配不可避免會(huì)產(chǎn)生低質(zhì)量的搭配結(jié)果，而商品的非標(biāo)品屬性，導(dǎo)致我們更難衡量美食搭配的質(zhì)量。低質(zhì)量的搭配可能包括：a.包含不適宜單獨(dú)銷(xiāo)售、非美食品類(lèi)的搭配，例如包含贈(zèng)品、鍋具、餐具的搭配。b.搭配結(jié)果不符合常規(guī)搭配模式，例如兩份飲料，飲料+饅頭等。

為此，我們的解決方案是：

為了解決業(yè)務(wù)場(chǎng)景和搭配條件多樣的問(wèn)題，我們形成了離線、實(shí)時(shí)結(jié)合的算法搭配框架。對(duì)于推薦型相關(guān)業(yè)務(wù)，我們采用離線搭配方法預(yù)先搭配出套餐候選，再在業(yè)務(wù)場(chǎng)景中做個(gè)性化排序。離線搭配本著規(guī)則到模型的迭代思路，規(guī)則搭配依賴(lài)知識(shí)圖譜的商品表示，通過(guò)高頻聚合+規(guī)則搭配泛化，產(chǎn)出相對(duì)高質(zhì)量套餐以確保頭部商家覆蓋。模型搭配可以在保證搭配質(zhì)量的同時(shí)，通過(guò)模型泛化提高套餐的場(chǎng)景覆蓋率。對(duì)于實(shí)時(shí)搭配型的業(yè)務(wù)，算法會(huì)依據(jù)業(yè)務(wù)的搭配條件實(shí)時(shí)搭配套餐，進(jìn)一步提升各個(gè)實(shí)時(shí)場(chǎng)景下的套餐的覆蓋率。

為了解決美食商品非標(biāo)品的問(wèn)題，我們引入外賣(mài)美食圖譜對(duì)菜品進(jìn)行了多方位的刻畫(huà)。我們基于外賣(mài)知識(shí)圖譜提取了菜品豐富的信息表征，例如菜品的標(biāo)準(zhǔn)菜品、菜品品類(lèi)、口味、食材、做法等，減弱非標(biāo)品帶來(lái)的影響。

為了保證搭配套餐的質(zhì)量，我們開(kāi)發(fā)了套餐質(zhì)量評(píng)估的模型。

總體，我們?cè)诜菢?biāo)品的商品表示、商家表示、套餐搭配模型、套餐搭配質(zhì)量評(píng)估上都進(jìn)行了相關(guān)的探索和迭代，形成了如下圖2所示的套餐搭配框架。

圖2 套餐搭配框架

我們面臨的一個(gè)問(wèn)題是外賣(mài)商品為非標(biāo)品，菜品數(shù)據(jù)質(zhì)量較差、屬性缺失。為此，我們基于商家菜單、菜譜、商品描述等多種信息源，通過(guò)信息抽取、關(guān)系識(shí)別、知識(shí)融合等多種方法，構(gòu)建了以美食為核心的知識(shí)圖譜，對(duì)菜品建立了品類(lèi)、口味、做法、功效等多個(gè)維度的表示。

圖3 外賣(mài)美食知識(shí)圖譜

商家的歷史高銷(xiāo)量套餐一般可認(rèn)為是優(yōu)質(zhì)的套餐，但是，中低銷(xiāo)量商家的高銷(xiāo)量套餐數(shù)量較少，難以支持套餐的個(gè)性化推薦等應(yīng)用。依賴(lài)美食圖譜對(duì)菜品的語(yǔ)義表達(dá)，我們首先嘗試了基于知識(shí)圖譜的直接歸納演繹進(jìn)行套餐搭配的方案。例如，通過(guò)高頻訂單可以歸納得出，{熱菜}+{米飯}+{湯}是一個(gè)常見(jiàn)的套餐搭配方式，進(jìn)而對(duì)于商家演繹出“番茄炒雞蛋+番茄雞蛋湯+米飯”的套餐搭配。

圖譜歸納演繹的過(guò)程是高頻聚合和基于搭配模板的泛化過(guò)程，我們通過(guò)訂單聚合、同品牌、同標(biāo)簽、同菜品模板泛化，來(lái)產(chǎn)生高質(zhì)量的套餐搭配，同時(shí)套餐的商家覆蓋率有了顯著的提升。但是搭配模板的問(wèn)題在于較難對(duì)搭配質(zhì)量和泛化程度取得折中。約束性較強(qiáng)的搭配模板可以確保搭配質(zhì)量，但泛化能力不足，套餐覆蓋度較低。如果用單一或少量標(biāo)簽描述搭配項(xiàng)，會(huì)導(dǎo)致模式過(guò)度泛化，準(zhǔn)確率不能保證。為此，我們引入了基于模型的套餐搭配方法。

用戶(hù)搭配套餐也是一個(gè)信息編碼到信息輸出的過(guò)程：用戶(hù)瀏覽商家菜單即是編碼過(guò)程，得到該商家和商品信息的一個(gè)整體概況，再基于這個(gè)概況去進(jìn)行套餐的搭配。貼合該過(guò)程的一個(gè)思路是采用Encoder-Decoder框架進(jìn)行套餐搭配模型的建設(shè)，Encoder類(lèi)比用戶(hù)瀏覽菜單的過(guò)程，學(xué)習(xí)菜單的語(yǔ)義信息，Decoder負(fù)責(zé)搭配出套餐。Encoder-Decoder是一種深度學(xué)習(xí)網(wǎng)絡(luò)框架，已經(jīng)被廣泛應(yīng)用于文本摘要、機(jī)器翻譯、對(duì)話生成等應(yīng)用中，其建模的方式是通過(guò)編碼（特征提?。┖徒獯a（目標(biāo)擬合），學(xué)習(xí)從Encoder輸入數(shù)據(jù)到Decoder輸出數(shù)據(jù)的映射。常見(jiàn)的編碼方式有CNN、RNN、Transformer等結(jié)構(gòu)，解碼方式也類(lèi)似。

套餐生成問(wèn)題是要從一個(gè)商家的所有候選商品集合中提取出多個(gè)商品子集，形成方便用戶(hù)篩選、可直接下單的套餐。套餐生成的數(shù)據(jù)源主要是該商家的候選商品信息（如商品的名稱(chēng)、標(biāo)簽、價(jià)格、銷(xiāo)量等），再結(jié)合用餐價(jià)格區(qū)間、用餐人數(shù)等約束條件，以及用戶(hù)偏好等信息。最初我們采用了LSTM作為Encoder和Decoder的神經(jīng)網(wǎng)絡(luò)進(jìn)行套餐搭配。我們基于圖譜語(yǔ)義抽取商品語(yǔ)義表示，并輸入Encoder的RNN模型。Encoder編碼過(guò)程類(lèi)似于用戶(hù)翻閱商家候選商品的過(guò)程，Encoder端輸入菜品名稱(chēng)、菜品標(biāo)簽、菜品的業(yè)務(wù)屬性（價(jià)格、銷(xiāo)量等），通過(guò)LSTM對(duì)非標(biāo)品菜品進(jìn)行特征抽取。如下圖4所示，每個(gè)商品的名稱(chēng)經(jīng)過(guò)Embedding層、CNN+Pooling層提取特征，并同菜品標(biāo)簽、類(lèi)別的Embedding以及價(jià)格和銷(xiāo)量等連續(xù)特征進(jìn)行拼接，最終作為Encoder RNN中每步的輸入。

圖4 Encoder網(wǎng)絡(luò)結(jié)構(gòu)

Decoder在解碼過(guò)程中一般依賴(lài)一個(gè)固定的字典或詞典作為候選集，每一步輸出候選集中的字、詞被選中的概率分布。對(duì)于套餐搭配網(wǎng)絡(luò)來(lái)說(shuō)，Decoder解碼的候選集來(lái)源于Encoder輸入端商家內(nèi)的商品列表，而非固定維度的外部菜品詞表，Pointer Network是建模這一問(wèn)題的有效架構(gòu)。Pointer Network是基于Seq2seq的擴(kuò)展，主要解決的是候選集不固定的問(wèn)題，這一模型架構(gòu)已被成功應(yīng)用于抽取式文本摘要，以及旅行商問(wèn)題、凸包問(wèn)題等組合優(yōu)化問(wèn)題的解決方案中。

套餐搭配解碼的具體過(guò)程為，Decoder每一步預(yù)估目標(biāo)菜品來(lái)自菜品列表的概率分布。在第n（n>=1）步時(shí)，這個(gè)概率分布向量表達(dá)了在已經(jīng)選擇了n-1個(gè)商品的情況下，某個(gè)商品或者終止位被選中的概率。若終止位對(duì)應(yīng)的概率較大，則模型傾向以前n-1個(gè)已選商品形成一個(gè)完整的套餐搭配。解碼過(guò)程中，我們結(jié)合BeamSearch算法產(chǎn)生TopN個(gè)結(jié)果，保證搭配的多樣性。

圖5 Encoder-Decoder網(wǎng)絡(luò)結(jié)構(gòu)

套餐搭配模型的學(xué)習(xí)目標(biāo)

為了解決菜品搭配模式因商家而異的問(wèn)題，模型通過(guò)擬合該商家的歷史訂單來(lái)學(xué)習(xí)商家的搭配特性。一種較為主流的訓(xùn)練形式是基于商家真實(shí)訂單，采用Teacher Forcing的形式進(jìn)行訓(xùn)練，使得模型預(yù)測(cè)的菜品逐位匹配上真實(shí)訂單內(nèi)的菜品。Teacher Forcing式的訓(xùn)練方法使得預(yù)測(cè)菜品的概率傾向于0-1分布，但是現(xiàn)實(shí)的菜品搭配通常是個(gè)性化、多樣性的，例如在Decoder已經(jīng)輸出“宮保雞丁”菜品的基礎(chǔ)上，下一步選擇的主食為“米飯”或者“炒飯”皆可。

為此，我們對(duì)商家歷史成單的套餐搭配模式進(jìn)行統(tǒng)計(jì)，計(jì)算出商品選擇的概率分布，Decoder以此商品選擇的概率分布作為訓(xùn)練目標(biāo)，同預(yù)估的分布計(jì)算MSE Loss，并最小化該值指導(dǎo)模型的訓(xùn)練。Teacher Forcing的另一個(gè)問(wèn)題是較難引入搭配質(zhì)量、套餐的點(diǎn)擊購(gòu)買(mǎi)行為等外部知識(shí)來(lái)指導(dǎo)模型訓(xùn)練，為此我們嘗試了采用強(qiáng)化學(xué)習(xí)的思路進(jìn)行改進(jìn)。在解碼過(guò)程的時(shí)刻T，我們通過(guò)蒙特卡洛算法采樣（Monte Carlo Sampling）出完整的套餐候選，并計(jì)算套餐候選的搭配質(zhì)量分作為Reward，結(jié)合MSE Loss和搭配質(zhì)量分進(jìn)行模型訓(xùn)練。

套餐搭配的約束

套餐搭配過(guò)程會(huì)面臨多種業(yè)務(wù)約束，例如，對(duì)于“滿(mǎn)減神器”來(lái)說(shuō)，搭配的套餐需要滿(mǎn)足給定的滿(mǎn)減價(jià)格檔位?！爸悄苤帧钡奶撞痛钆溥^(guò)程需要考慮用戶(hù)選定的篩選條件，例如條件可能為“主食為米飯”且“價(jià)格為30元以下”。我們通過(guò)剪枝策略保證搭配過(guò)程滿(mǎn)足約束，以“滿(mǎn)減神器”的價(jià)格區(qū)間約束為例，Decoder端在單步產(chǎn)生候選菜品時(shí)，會(huì)基于剩余的價(jià)格過(guò)濾掉超出剩余價(jià)格范圍的菜品。如下圖6所示，對(duì)于商家的A、B、C、D、E菜品，Decoder會(huì)利用剩余價(jià)格的區(qū)間“15元以?xún)?nèi)”對(duì)后一輪菜品A、B、C、D、E進(jìn)行剪枝，并刪除超過(guò)價(jià)格區(qū)間的C、D兩個(gè)菜品。

圖6 套餐搭配價(jià)格約束

基于Attention網(wǎng)絡(luò)的套餐搭配模型

基于LSTM網(wǎng)絡(luò)的商家內(nèi)菜品特征提取面臨的問(wèn)題有：第一，商家菜單的菜品本身無(wú)序，而RNN網(wǎng)絡(luò)依賴(lài)序列進(jìn)行建模。第二，菜品之間可能存在長(zhǎng)距離的語(yǔ)義依賴(lài)，例如，菜單內(nèi)是否有“米飯”、“饅頭”等菜品會(huì)影響對(duì)于“宮保雞丁”菜品的搭配。

為了更好的對(duì)無(wú)序菜單和菜品之間依賴(lài)信息進(jìn)行表征，我們嘗試了基于Attention結(jié)構(gòu)的Encoder-Decoder模型。Encoder部分采用層次化Attention結(jié)構(gòu)提取菜品的語(yǔ)義信息，包含底層單菜品級(jí)的Attention和菜品之間的Attention兩部分。對(duì)于單菜品級(jí)的Attention，我們?cè)谧志S度采用Multi-Head Attention結(jié)構(gòu)得到菜品名稱(chēng)的語(yǔ)義向量，菜品標(biāo)簽同樣采用Multi-Head Attention 得到菜品標(biāo)簽語(yǔ)義向量，對(duì)于菜品的交易屬性，我們采用多層全連接網(wǎng)絡(luò)提取交易特征的語(yǔ)義向量。

最后，菜品名稱(chēng)語(yǔ)義向量、菜品標(biāo)簽語(yǔ)義向量、交易特征語(yǔ)義向量拼接后經(jīng)過(guò)全連接層+層歸一化得到菜品語(yǔ)義向量。對(duì)于菜品之間的Attention層，我們對(duì)該店的菜品語(yǔ)義向量列表采用多層Multi-Head Attention得到該店的菜單級(jí)別語(yǔ)義向量。模型Decoder部分同樣采用Multi-Head Attention進(jìn)行解碼，輸入信息包括用戶(hù)偏好信息、歷史時(shí)刻的解碼輸入、價(jià)格約束等上下文信息，模型在每步輸出商家菜單中的菜品被選擇的概率分布。Decoder過(guò)程中我們對(duì)用戶(hù)偏好信息同商家菜單級(jí)別的語(yǔ)義向量進(jìn)行Multi-Head Attention，在套餐搭配過(guò)程中考慮用戶(hù)的用餐偏好。

圖7 基于Attention的套餐搭配網(wǎng)絡(luò)

我們認(rèn)為商家高質(zhì)量的搭配可以從訂單的銷(xiāo)量體現(xiàn)，一種評(píng)估方法即是評(píng)估模型輸出的套餐對(duì)商家真實(shí)高銷(xiāo)量套餐的覆蓋。通過(guò)離線和在線評(píng)估，我們發(fā)現(xiàn)該模型可以擬合出商家高銷(xiāo)量套餐。在人工評(píng)估部分，我們把算法搭配的套餐和真實(shí)成單訂單進(jìn)行混合并讓人工進(jìn)行區(qū)分，發(fā)現(xiàn)人工無(wú)法分辨模型搭配的訂單和真實(shí)成單訂單的差異。同時(shí)，該模型具備良好的泛化能力，顯著提升了套餐對(duì)商家和特定業(yè)務(wù)場(chǎng)景的覆蓋度。

我們對(duì)模型輸出的菜品表征向量進(jìn)行了分析，以了解模型的套餐搭配模式。利用TSNE對(duì)向量進(jìn)行降維和聚類(lèi)，通過(guò)聚類(lèi)圖觀察發(fā)現(xiàn)“主食”、“主菜”、“小食”類(lèi)的菜品各自聚集在一起，可以看出模型識(shí)別了菜品的“主食”、“菜品”、"小食"等品類(lèi)語(yǔ)義屬性，并參考此語(yǔ)義進(jìn)行套餐搭配。

利用離線搭配產(chǎn)生套餐候選的方案可以滿(mǎn)足推薦型業(yè)務(wù)的需求，但對(duì)于一些搭配型的業(yè)務(wù)場(chǎng)景仍然覆蓋不足，例如，目前離線套餐對(duì)菜品的覆蓋度較低，即對(duì)于菜品詳情頁(yè)等應(yīng)用只保證部分PV的搭配模塊露出。

一種解決方案是通過(guò)離線搭配提升套餐對(duì)美食商品的覆蓋，但該方案的存儲(chǔ)成本較高，為此我們采用實(shí)時(shí)套餐搭配方案。實(shí)時(shí)生成方案的難點(diǎn)在于既要保證套餐質(zhì)量，又要滿(mǎn)足各種搭配條件，最重要的還要保證實(shí)時(shí)性。最初我們把離線搭配模型應(yīng)用于線上實(shí)時(shí)搭配，發(fā)現(xiàn)在性能方面存在瓶頸。因此，我們對(duì)離線模型進(jìn)行了精簡(jiǎn)，精簡(jiǎn)的思路是將選菜的過(guò)程精簡(jiǎn)為選擇菜品類(lèi)目的過(guò)程，將菜品維度的搭配關(guān)系精簡(jiǎn)為菜品類(lèi)目的搭配關(guān)系，實(shí)現(xiàn)整個(gè)解空間的縮小。如下圖8所示，具體流程如下：

搭配模板挖掘：通過(guò)商家歷史訂單挖掘出商家高銷(xiāo)的類(lèi)目層面的搭配關(guān)系，即搭配模板，例如“熱菜+主食”。

搜索剪枝：在搭配選菜時(shí)，依據(jù)搭配模板中的菜品類(lèi)目，進(jìn)行菜品的選擇。例如上述的例子，首先進(jìn)行“熱菜”的選擇，然后進(jìn)行“主食”的選擇。在選擇的過(guò)程中，根據(jù)用戶(hù)的實(shí)時(shí)需求，例如指定必選菜、指定價(jià)格、指定主食類(lèi)型等約束條件，對(duì)整體的選擇過(guò)程進(jìn)行剪枝。

篩選評(píng)估：在搭配完成后，對(duì)得到的候選搭配結(jié)果進(jìn)行質(zhì)量評(píng)估，這里基于性能考慮，使用樹(shù)模型進(jìn)行質(zhì)量評(píng)估，篩選出Top N的搭配結(jié)果。

圖8 實(shí)時(shí)套餐搭配和離線套餐搭配

高銷(xiāo)量的訂單中也存在搭配質(zhì)量稍低的套餐，加上模型泛化的精度問(wèn)題，搭配模型很容易生成質(zhì)量較差的搭配組合。如下圖9右側(cè)，模型生成的后兩個(gè)套餐搭配相對(duì)不是特別合理。為進(jìn)一步保證用戶(hù)體驗(yàn)，我們建立了套餐搭配質(zhì)量模型，對(duì)套餐的質(zhì)量進(jìn)行統(tǒng)一評(píng)估。套餐質(zhì)量分類(lèi)模型將套餐搭配質(zhì)量轉(zhuǎn)化為一個(gè)分類(lèi)問(wèn)題。因?yàn)樘撞徒M合是有多個(gè)菜品組成的，所以我們基于菜品名稱(chēng)、標(biāo)簽等信息構(gòu)造菜品的表示，然后通過(guò)Global-Attention來(lái)實(shí)現(xiàn)菜品間重要程度的考量，同時(shí)添加總商品個(gè)數(shù)、總份數(shù)等全局特征來(lái)表示整體搭配的信息，模型結(jié)構(gòu)具體見(jiàn)下圖9所示：

圖9 套餐質(zhì)量分類(lèi)

我們對(duì)套餐的搭配質(zhì)量進(jìn)行了細(xì)粒度的分檔：極差、差、中、好 ，且四種類(lèi)別存在有序關(guān)系（極差<差<中<好），對(duì)應(yīng)模型有四個(gè)輸出值，每一個(gè)表示該位為1的概率，例如“極差”表示為“1,0,0,0”, “差”表示為“1,1,0,0”，“中”表示為“1,1,1,0”，“好”表示為“1,1,1,1”。模型的損失采用Pair Hinge Loss函數(shù)，避免前面節(jié)點(diǎn)為0后面節(jié)點(diǎn)為1的情況，保證模型的準(zhǔn)確度。套餐的搭配質(zhì)量分值為四個(gè)輸出節(jié)點(diǎn)的求和平均值，使得預(yù)測(cè)值更加可信。模型結(jié)構(gòu)同一般的分類(lèi)模型大體一致，目標(biāo)函數(shù)如下：

圖10 套餐質(zhì)量分類(lèi)

套餐質(zhì)量模型的建設(shè)過(guò)程中，負(fù)例樣本主要來(lái)自用戶(hù)反饋的Bad Case，和通過(guò)人工構(gòu)造不合理搭配模式版篩出的套餐。這種方式存在的問(wèn)題是：Bad Case和人工構(gòu)造的搭配負(fù)樣本有偏、多樣性較差，且負(fù)樣本同正樣本的配比不容易調(diào)節(jié)。

為此，我們引入一個(gè)預(yù)訓(xùn)練任務(wù)學(xué)習(xí)歷史訂單的搭配模式，為套餐搭配質(zhì)量模型引入更多的搭配先驗(yàn)知識(shí)。預(yù)訓(xùn)練過(guò)程如下圖11所示，我們隨機(jī)Mask已成單搭配組合中的一個(gè)菜品，然后訓(xùn)練Transformer模型還原被Mask掉的菜品。在這個(gè)過(guò)程中，考慮一些次優(yōu)套餐的合理性（例如："宮保雞丁+米飯+可樂(lè)"，Mask掉"宮爆雞丁"，生成器生成出來(lái)的是“魚(yú)香肉絲”，“魚(yú)香肉絲+米飯+可樂(lè)”就可理解為一個(gè)次優(yōu)套餐），我們?cè)谧詈蟮膿p失函數(shù)添加預(yù)測(cè)菜品與目標(biāo)菜品類(lèi)別相似性的判別器來(lái)解決這類(lèi)情況。預(yù)訓(xùn)練得到的參數(shù)最終用來(lái)初始化套餐搭配質(zhì)量分檔模型，并基于少量的人工標(biāo)注語(yǔ)料進(jìn)行模型的調(diào)優(yōu)。

圖11 套餐質(zhì)量分類(lèi)

目前，外賣(mài)已打造了多款以套餐為核心供給的產(chǎn)品，“今日套餐推薦”幫助用戶(hù)解決不知道吃什么、選購(gòu)慢的問(wèn)題，店鋪?lái)?yè)內(nèi)的“滿(mǎn)減神器”、“單品搭配推薦”解決用戶(hù)湊單難、搭配難的問(wèn)題。為了解決了各業(yè)務(wù)場(chǎng)景下套餐搭配難題，套餐搭配算法針對(duì)覆蓋度、搭配質(zhì)量、搭配多樣性進(jìn)行了持續(xù)優(yōu)化，為業(yè)務(wù)提供了重要的技術(shù)和數(shù)據(jù)支撐。離線套餐搭配用于”滿(mǎn)減神器“、”今日套餐推薦“等業(yè)務(wù)，顯著提高了套餐商家的覆蓋率，實(shí)時(shí)套餐搭配用于“菜品詳情頁(yè)套餐搭配”等業(yè)務(wù)，并取得較好的業(yè)務(wù)收益。

后續(xù)工作，一方面我們會(huì)繼續(xù)優(yōu)化菜品知識(shí)圖譜的構(gòu)建，完善對(duì)非標(biāo)品菜品的刻畫(huà)，通過(guò)引入圖像等多模態(tài)數(shù)據(jù)進(jìn)一步提升數(shù)據(jù)準(zhǔn)確度和覆蓋度，通過(guò)構(gòu)建場(chǎng)景知識(shí)圖譜更好地刻畫(huà)用戶(hù)需求和供給。另一方面我們會(huì)探索場(chǎng)景化的套餐搭配：目前我們?cè)趫?chǎng)景化套餐搭配方面的工作較少，而且用戶(hù)在不同場(chǎng)景下會(huì)有不同的套餐需求，例如天氣寒冷偏愛(ài)吃火鍋類(lèi)套餐、臘八節(jié)吃粥類(lèi)套餐，在異地希望吃當(dāng)?shù)靥厣?lèi)套餐。接下來(lái)，我們會(huì)在場(chǎng)景化套餐搭配方面進(jìn)行探索，針對(duì)節(jié)氣、節(jié)日、人群等場(chǎng)景搭配套餐，更好的滿(mǎn)足用戶(hù)個(gè)性化、場(chǎng)景化的用餐需求。

圖12 套餐搭配相關(guān)應(yīng)用

Vinyals, Oriol, Meire Fortunato, and Navdeep Jaitly. "Pointer networks." Advances in neural information processing systems. 2015.

See, Abigail, Peter J. Liu, and Christopher D. Manning. "Get to the point: Summarization with pointer-generator networks." arXiv preprint arXiv:1704.04368 (2017).

Gong, Jingjing, et al. "End-to-end neural sentence ordering using pointer network." arXiv preprint arXiv:1611.04953 (2016).

Han, Xintong, et al. "Learning fashion compatibility with bidirectional lstms." Proceedings of the 25th ACM international conference on Multimedia. 2017.

Alashkar, Taleb, et al. "Examples-Rules Guided Deep Neural Network for Makeup Recommendation." AAAI. 2017.

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.

Rush, Alexander M., Sumit Chopra, and Jason Weston. "A neural attention model for abstractive sentence summarization." arXiv preprint arXiv:1509.00685 (2015).

Paulus, Romain, Caiming Xiong, and Richard Socher. "A deep reinforced model for abstractive summarization." arXiv preprint arXiv:1705.04304 (2017).

See, Abigail, Peter J. Liu, and Christopher D. Manning. "Get to the point: Summarization with pointer-generator networks." arXiv preprint arXiv:1704.04368 (2017).

瑞玉、文斌、楊林、懋地，均來(lái)自美團(tuán)外賣(mài)技術(shù)團(tuán)隊(duì)。

| 本文系美團(tuán)技術(shù)團(tuán)隊(duì)出品，著作權(quán)歸屬美團(tuán)。歡迎出于分享和交流等非商業(yè)目的轉(zhuǎn)載或使用本文內(nèi)容，敬請(qǐng)注明“內(nèi)容轉(zhuǎn)載自美團(tuán)技術(shù)團(tuán)隊(duì)”。本文未經(jīng)許可，不得進(jìn)行商業(yè)性轉(zhuǎn)載或者使用。任何商用行為，請(qǐng)發(fā)送郵件至申請(qǐng)授權(quán)。