1、 O2O智能PUSH的實踐之旅樊聰 美團點評 技術總監摘要本案例分享美團.大眾點評如何運用大數據技術、機器學習和用戶畫像的挖掘，結合用戶場景給平臺和商家做精準觸達和精準營銷，給用戶提供個性化的推送服務體驗。從技術方案和架構的演化介紹其中的實踐經驗關于我O2O智能PUSH的實踐之旅v 背景介紹v 美團點評介紹v 項目背景v 美團點評 PUSH業務概覽v 系統構建與實踐v 挑戰與解決思路v 架構經驗v 智能場景意圖識別v 品類偏好畫像v 意圖識別v 總結美團點評簡介中國第一的“互聯網服務業”電商集團項目背景用戶體驗差、騷擾關閉push推送點擊率低、轉化效果差千人一面手機push推送用戶：業務：粗放

2、場景單一項目背景目標：創造價值喚醒沉睡/流失用戶轉化用戶體驗給用戶驚喜感減少騷擾方式：千人千面、場景化、個性化智能運營數據驅動美團點評 PUSH業務概覽營銷PUSH功能PUSH運營PUSHPUSH SDKiOS通道自建通道物料配置防騷擾控制文案選優用戶包上傳數據倉庫（Hive）畫像抽取PUSH 平臺智能push 商家精準營銷運營活動v 主要的運營手段v 多種push方式v B端/C端業務系統構建與實踐v 問題與解決思路v 架構經驗問題與解決思路雙平臺，多業務，C/B 兩端美團、點評兩套push平臺、通道兩套ID體系運營平臺不夠易用畫像數據人肉SQL、人肉上傳效果報表不直觀只支持T1 發送數據統

3、計，時效性差結婚麗人休閑娛樂用戶運營商家營銷查SQL上傳重傳問題與解決思路雙平臺美團、點評兩套PUSH平臺、通道兩套ID體系運營平臺不夠易用人群包人肉SQL、人肉上傳效果報表不直觀只支持T1 發送，時效性差抽象配置和發送服務，與底層解耦構建雙平臺UserID/DeviceID 的mapping數據和服務推動平臺技術融合一套底層push通道運營平臺Push 管理集成用戶標簽體系多維度實時效果報表基于Storm的實時發送引擎和報表統計系統構建與實踐v 問題與解決思路v 架構經驗架構經驗v 數據、計算、算法 三位一體v 模塊化，可快速并行迭代v 規則和模型有機共存、相互補充總體架構驗券位置支付交易數

4、據POI 召回User 排序場景識別實時 PUSHLBS 索引離線 pushId-mapping服務用戶行為商戶數據智能PUSH實時畫像流特征計算ML模型離線畫像天氣服務公共數據服務過濾規則批量 PUSHPush方案管理配額管理防騷擾模塊AB測試效果統計基礎服務運營平臺（C端）用戶透視規則配置push管理效果報表效果報表用戶營銷配置后臺（B端）人群設置優惠設置UPS畫像服務消息訂閱去重機制公司統一push平臺push發送服務定制化引擎去重機制DP實時push服務push發送服務去重機制push發送服務MT實時push服務RPC 服務調用批量PUSHv 根據配置，離線生成push 所需數據 v

5、配置可以例行化自動發送（意圖push）v 通過可組合的過濾規則（日期、白名單、黑名單、配額）進行過濾實時PUSHv 用于B端和C端v 基于畫像的場景化意圖識別v 基于GeoHash的LBS 倒排索引v 高可用、高吞吐、自動觸發智能場景意圖識別v 基礎偏好模型v 廣告營銷業務使用廣泛（FB淘寶）v 發現更多高質量用戶，覆蓋率與質量的權衡v 用戶品類偏好模型v 用戶在一段時間內對不同垂直業務的偏好/下單意向度v Lookalike 方法品類偏好模型協同過濾ALSPU Learning貝葉斯學習LR問題：正樣本少，未標記樣本多ALS算法得到用戶對于類目的評分矩陣用戶ID 類目結婚打分休閑娛樂打分教育

6、培訓打分User12.53User21.82.8User33.3User44.45.4User54.2行為行為休閑娛樂休閑娛樂 教育培訓教育培訓 麗人麗人 餐飲餐飲 電影電影瀏覽瀏覽v33414交易交易t24523訪問時長訪問時長l1053209用戶在平臺上的行為統計Scorew1*v+W2*tw3*l通過最小化MSE，求得分解矩陣Users矩陣：UK1K2K3K4User15231User24321User33231User44521User51344 Items類目矩陣：IItem1 Item2 Item3K1523K2432K3323K4452 其中K為隱藏因子用戶ID 類目結婚打分休閑

7、娛樂打分 教育培訓打分User12.53.33User21.82.82User33.34.13.7User444.45.4User544.25Users矩陣：U Items類目矩陣：I完整的用戶類目評分矩陣PU Learning紅色為已知種子用戶（Positive）：可根據業務定義為交易用戶，預約用戶等U型區域內為所有用戶（Unlabeled）：平臺上有行為的用戶PU learning圈出真實負樣本RN（Real Negative）利用真實正負樣本，訓練GBDT或LR模型，預測用戶意圖概率使用樸素貝葉斯（Naive Bayesian，NB）分類方法計算 RNP -1；U -1；使用 P 和 U

8、 訓練分類器；對U進行分類，把負類加入RN。 場景化和個性化引擎協同過濾ALSPU learning貝葉斯學習LR問題：正樣本少，未標記樣本多意圖識別v 搜索意圖理解v O2O意圖識別搜索意圖搜索意圖理解理解queryquery理解理解知識圖知識圖譜譜短語相短語相關性關性東方明珠 門票北京分詞主題：酒店 0.6 機票 0.2 景點 0.2上下文結果：打折機票四季酒店上海一日游意圖識別v 搜索意圖理解v O2O意圖識別v 鏈條長v 波動大O2OO2O意意圖識別圖識別行為行為社交社交路徑路徑興趣吃川菜？湘菜按摩？足療看電影？意圖識別v 智能意圖識別引擎v 預測用戶場景與意圖v 數據源的種類豐富度v 精確度 召回度v 新鮮感搜索詞品類瀏覽行為（長期/短期）消費行為規則引擎AB測試用戶偏好旅游場景位置屬性決策場景到店場景天氣Push 敏感度找優惠模式場景配置排序模型意圖識別意圖識別v 效果v 自動觸發，降低運營成本v 點擊/轉化率提升v 用戶體驗提升總結和未來規劃v 深入業務，了解痛點v 統一、穩定的