美团搜索粗排优化的探索与实践

引言

在美团这样的大型生活服务平台中，搜索系统是用户获取服务的关键入口。搜索结果的质量直接影响用户体验和平台转化率。粗排（初步排序）作为搜索链路中的核心环节，承担着从海量候选集中快速筛选出高质量结果的重要任务。本文将详细阐述美团在搜索粗排优化方面的探索与实践，分享我们在特征工程、模型架构、工程优化及评估体系等方面的经验与思考。

粗排阶段的核心挑战

粗排阶段面临两大核心挑战：效率与效果。一方面，粗排需要在毫秒级时间内处理数百万候选结果，对计算效率有极高要求；另一方面，粗排结果的质量直接影响后续精排的输入分布，进而影响整体搜索效果。如何在有限的计算资源下，尽可能提升粗排的排序质量，是美团搜索团队长期探索的课题。

特征工程优化

特征是模型的基础，优质的特征能够显著提升模型效果。在粗排阶段，我们重点从以下三个方面优化特征：

1. 用户行为特征

用户行为是反映用户意图的最直接信号。我们构建了多维度、细粒度的用户行为特征，包括：

• 短期行为：如最近7天的搜索、点击、下单行为；
• 长期偏好：如用户的历史偏好品类、价格区间、品牌倾向；
• 实时行为：如当前会话的搜索词、点击序列。

通过行为序列建模（如LSTM、Transformer），我们能够捕捉用户行为的时序模式，提升特征表达能力。

2. 商品特征

商品特征是排序的基础。我们优化了商品特征的覆盖度和时效性，包括：

• 基础属性：如品类、价格、销量、评分；
• 动态属性：如库存状态、促销活动、配送时间；
• 上下文特征：如地理位置、时间、天气。

特别地，我们引入了图神经网络（GNN）来建模商品之间的关联关系（如替代品、互补品），提升特征的丰富性。

3. 交叉特征

单一特征往往难以全面刻画用户-商品的匹配程度。我们通过特征交叉（如FM、DCN）来捕捉用户与商品之间的交互关系，例如：

• 用户偏好品类 × 商品品类；
• 用户历史价格区间 × 商品价格；
• 用户地理位置 × 商品配送范围。

交叉特征的引入显著提升了模型的表达能力。

模型架构优化

在模型架构方面，我们探索了多种优化方向，以提升粗排模型的准确性和效率。

1. 双塔模型优化

双塔模型（User-Item模型）是粗排阶段的经典架构。我们通过以下方式优化双塔模型：

• 特征分桶：对连续特征进行分桶处理，减少模型参数；
• 哈希技巧：对高维稀疏特征进行哈希降维，降低计算复杂度；
• 轻量级网络：使用更浅的神经网络（如2-3层MLP），平衡效果与效率。

2. 精排模型蒸馏

为了利用精排模型的强大能力，我们引入了模型蒸馏技术。具体做法是：

• 使用精排模型的输出（如点击率、转化率）作为软标签，训练粗排模型；
• 通过温度参数调整软标签的平滑程度，防止过拟合；
• 结合硬标签（真实点击数据）进行联合训练，提升模型的鲁棒性。

实验表明，模型蒸馏能够显著提升粗排模型的效果，尤其是在数据稀疏的场景下。

3. 多目标学习

搜索场景通常涉及多个目标（如点击率、转化率、GMV）。我们通过多目标学习（MTL）来优化粗排模型：

• 共享底层特征表示，学习用户和商品的通用表示；
• 多个目标头独立预测，通过加权或门控机制融合多个目标；
• 引入梯度裁剪和正则化，防止某个目标过强导致其他目标退化。

多目标学习能够提升模型的综合效果，尤其是在复杂业务场景下。

工程优化

粗排阶段对工程效率有极高要求。我们通过以下方式优化工程实现：

1. 特征预计算

将不依赖于查询的特征（如用户历史行为、商品静态属性）进行预计算，存储在内存中。查询时直接读取预计算结果，减少实时计算量。

2. 量化与压缩

对模型权重和特征进行量化（如FP16、INT8），减少内存占用和计算量。同时，对特征进行压缩（如稀疏编码、哈希），降低传输开销。

3. 并行计算

利用GPU或多线程进行并行计算，加速特征提取和模型推理。特别地，我们优化了CUDA内核，提升了GPU的利用率。

评估体系

评估是优化的基础。我们构建了多维度、多层次的评估体系：

1. 离线评估

• AUC/GAUC：衡量模型对正负样本的区分能力；
• NDCG：衡量排序结果的相关性；
• 多样性：衡量排序结果的品类、价格等分布。

2. 在线评估

• A/B测试：通过流量分割，对比不同策略的线上效果；
• 关键指标：如点击率、转化率、GMV、用户留存率。

3. 反馈循环

建立用户反馈机制，收集用户对搜索结果的显式（如点赞、投诉）和隐式（如停留时间、跳出率）反馈，用于模型迭代。

实践案例

以某次粗排优化为例，我们通过以下步骤提升了搜索效果：

1. 特征优化：引入用户实时行为序列和商品关联图特征；
2. 模型优化：采用精排模型蒸馏和多目标学习；
3. 工程优化：对特征和模型进行量化和并行计算；
4. 评估验证：离线AUC提升3%，线上点击率提升2%，GMV提升1.5%。

总结与展望

美团搜索粗排优化是一个持续迭代的过程。未来，我们将继续探索以下方向：

• 更高效的模型架构：如轻量级Transformer、稀疏激活模型；
• 更丰富的特征表示：如多模态特征（图片、文本）、知识图谱；
• 更智能的工程优化：如自动调优、硬件加速。

通过不断探索与实践，我们致力于为用户提供更高效、更精准的搜索体验。