深度学习赋能美团搜索广告：排序模型的革新与实践

一、引言：搜索广告排序的挑战与深度学习机遇

搜索广告排序是互联网广告平台的核心环节，直接影响广告主ROI与用户体验。传统排序方法依赖人工特征工程与浅层模型，面临特征交互能力弱、动态场景适应性差、长尾需求覆盖不足等痛点。美团作为生活服务电商平台，其搜索广告场景具有用户意图多样（如餐饮、酒店、娱乐）、实时性要求高（如即时配送）、上下文依赖强（如地理位置、时间）等特点，对排序模型的精准性与灵活性提出更高要求。

深度学习通过自动特征学习、端到端优化与非线性建模能力，为解决上述问题提供了新范式。美团搜索广告团队通过多年实践，构建了以深度学习为核心的排序系统，显著提升了广告相关性与平台收益。本文将从模型架构、特征工程、训练优化与实际效果四个维度，系统阐述其应用实践。

二、深度学习模型架构：从浅层到深层的演进

1. 早期浅层模型局限

初期，美团采用LR（逻辑回归）与FM（因子分解机）模型，通过人工设计特征（如用户历史行为、广告出价、上下文信息）完成排序。但浅层模型存在两大缺陷：

• 特征交互能力有限：FM虽能捕捉二阶特征交互，但无法建模高阶复杂关系（如用户近期高频搜索“火锅”与当前查询“聚餐”的联合影响）。
• 动态场景适应性差：浅层模型依赖静态特征，难以快速适应广告主出价波动、用户实时行为变化等动态因素。

2. 深度模型的引入与迭代

为突破局限，美团逐步引入深度学习模型，经历以下关键阶段：

• DNN（深度神经网络）：将原始特征嵌入低维向量后，通过多层全连接网络学习非线性关系。例如，用户画像特征（年龄、性别）与广告特征（品类、价格）通过DNN层交互，输出点击率（CTR）预估值。
• Wide & Deep模型：结合浅层Wide部分（记忆能力，处理高频特征）与深层Deep部分（泛化能力，挖掘低频特征），解决DNN的过拟合问题。例如，Wide部分直接关联用户历史点击的广告品类，Deep部分学习用户兴趣的潜在表示。
• DeepFM与DCN（深度交叉网络）：DeepFM在FM基础上引入DNN，自动学习高阶特征交互；DCN通过显式交叉层（Cross Layer）高效建模特征组合，减少参数量的同时提升模型表达能力。

3. 美团自研模型：多目标优化与实时性增强

针对美团业务特点，团队开发了多目标排序模型与实时特征更新机制：

• 多目标学习：同时优化CTR（点击率）、CVR（转化率）、GMV（交易额）等目标，通过共享底层特征与独立输出层实现。例如，用户点击广告后是否下单（CVR）与广告出价（GMV）的联合优化。
• 实时特征管道：构建流式计算框架，实时捕获用户最新行为（如刚浏览的餐厅）、广告库存状态（如剩余配送时间）等动态特征，通过在线学习（Online Learning）更新模型参数，适应场景变化。

三、特征工程：从离散到嵌入的升级

特征质量是模型性能的关键。美团搜索广告排序系统的特征工程经历以下演进：

1. 传统离散特征与组合

初期依赖离散特征（如用户ID、广告ID、查询词）与简单组合（如“用户ID+查询词”），但存在以下问题：

• 高维稀疏性：用户ID与广告ID的独热编码导致参数爆炸，模型难以收敛。
• 语义缺失：离散特征无法直接表达查询词“火锅”与“川菜”的语义关联。

2. 嵌入表示与上下文建模

为解决上述问题，美团引入嵌入技术：

• 词嵌入与图嵌入：将查询词、广告标题等文本通过Word2Vec或BERT生成低维向量，捕捉语义相似性（如“火锅”与“涮锅”的向量距离近）。
• 用户兴趣嵌入：基于用户历史行为序列（如点击的餐厅、购买的团购），通过RNN或Transformer模型生成用户兴趣向量，动态反映用户偏好变化。
• 上下文嵌入：将地理位置、时间等上下文信息嵌入向量，与用户、广告特征交互。例如，用户在当前位置搜索“咖啡”时，模型可优先展示附近咖啡店广告。

3. 特征交互的显式与隐式结合

美团通过以下方式增强特征交互：

• 显式交叉：在DCN模型中，Cross Layer显式计算特征对的乘积（如用户年龄×广告价格），捕捉线性关系外的交互模式。
• 隐式交互：在DNN或Transformer中，通过自注意力机制自动学习特征间的复杂关联（如用户近期搜索“亲子餐厅”与当前查询“儿童餐”的隐式联系）。

四、模型训练与优化：大规模数据下的高效学习

美团搜索广告排序系统面临数据规模大（每日数十亿次曝光）、特征维度高（数万维）、实时性要求高（分钟级更新）等挑战，需通过以下技术优化训练效率：

1. 分布式训练框架

采用参数服务器（Parameter Server）架构，将模型参数分散存储于多个服务器，通过异步更新加速训练。例如，用户特征嵌入层与广告特征嵌入层可并行更新，减少单点瓶颈。

2. 样本选择与负采样

为解决正负样本不均衡问题（点击样本占比<1%），美团采用以下策略：

• 难负样本挖掘：优先选择与正样本相似但未被点击的广告作为负样本（如同品类、同价格区间但未被点击的餐厅广告），提升模型区分能力。
• 重要性采样：根据广告出价、历史CTR等指标调整样本权重，使模型更关注高价值广告。

3. 在线学习与模型更新

为适应广告主出价、用户行为等动态变化，美团实现分钟级在线学习：

• 流式数据管道：通过Kafka等消息队列实时捕获用户曝光、点击、转化等事件，构建增量训练样本。
• 增量更新策略：仅更新受新数据影响的模型参数（如用户最新行为对应的嵌入向量），减少计算开销。

五、实际效果与业务价值

美团深度学习排序模型的应用带来了显著业务提升：

• CTR提升15%：通过高阶特征交互与用户兴趣建模，广告相关性显著增强。
• GMV增长10%：多目标优化使高价值广告（如高客单价餐厅）获得更多曝光，带动交易额提升。
• 广告主ROI提升20%：精准排序减少无效曝光，降低广告主获客成本。

六、对开发者的建议与启示

1. 从浅层到深层的渐进式演进：初期可先用LR/FM快速上线，逐步引入DNN、Wide & Deep等模型，平衡效果与工程复杂度。
2. 特征工程的核心地位：即使使用深度学习，人工特征设计（如上下文组合、难负样本挖掘）仍对模型性能至关重要。
3. 实时性与在线学习的必要性：生活服务场景动态性强，需构建实时特征管道与在线学习框架，避免模型滞后。
4. 多目标优化的业务导向：根据平台目标（如GMV、用户体验）设计损失函数，避免单一指标（如CTR）的局部优化。

美团搜索广告排序的深度学习实践表明，通过模型架构创新、特征工程升级与训练优化，可显著提升广告系统的精准性与灵活性。对于广告技术从业者，其经验提供了从浅层模型到深度学习、从离散特征到嵌入表示、从离线训练到在线学习的完整路径参考。