0. 寫在前面

菜品是外賣交易過程的核心要素，對菜品的理解也是實(shí)現(xiàn)外賣供需匹配的重點(diǎn)。本期推送，我們將通過三篇文章系統(tǒng)地介紹了美團(tuán)外賣美食知識圖譜的構(gòu)建和應(yīng)用。第一篇文章會介紹外賣知識圖譜的體系全貌，包括菜品類目、標(biāo)準(zhǔn)菜品、美食基礎(chǔ)屬性(食材、口味等)和美食業(yè)務(wù)主題屬性。同時(shí)外賣的菜品屬于非標(biāo)品。第二篇，我們將重點(diǎn)介紹外賣菜品標(biāo)準(zhǔn)化建設(shè)思路、技術(shù)方案和業(yè)務(wù)應(yīng)用。由于外賣的業(yè)務(wù)特點(diǎn)是搭配成單，所以在第三篇我們會針對性地介紹外賣套餐搭配技術(shù)的迭代以及應(yīng)用實(shí)踐。希望對從事相關(guān)工作的同學(xué)能夠帶來一些啟發(fā)或者幫助。

本文系外賣美食知識圖譜系列的第一篇文章，這篇文章系統(tǒng)地介紹了美團(tuán)外賣美食知識圖譜的標(biāo)簽體系結(jié)構(gòu)，包括菜品類目標(biāo)簽、標(biāo)準(zhǔn)菜品名、美食基礎(chǔ)屬性（食材、口味、菜系等）和美食業(yè)務(wù)主題屬性（商家招牌、類目經(jīng)典等）。在技術(shù)層面，舉例對標(biāo)簽體系的具體構(gòu)建方法進(jìn)行介紹，例如基于BERT預(yù)訓(xùn)練的分類模型。在應(yīng)用方面，介紹了美食知識圖譜在美團(tuán)外賣業(yè)務(wù)的具體應(yīng)用，包括支撐套餐搭配的菜品表征、提升搜索和商家推薦等業(yè)務(wù)的用戶體驗(yàn)。

1. 背景

知識圖譜，旨在描述真實(shí)世界中存在的各種實(shí)體和實(shí)體之間的關(guān)系。在美團(tuán)外賣業(yè)務(wù)中，美食商品是美團(tuán)向用戶提供服務(wù)的基礎(chǔ)，美食知識圖譜的建設(shè)，可以幫助我們向用戶提供更加準(zhǔn)確、更加豐富、更加個(gè)性化的美食服務(wù)。另外，美團(tuán)外賣業(yè)務(wù)向用戶提供“到家”吃飯的服務(wù)，到店餐飲業(yè)務(wù)則向用戶提供“到店”吃飯的服務(wù)，而外賣和到店的商家和菜品有相當(dāng)程度的重合，菜品數(shù)據(jù)的對齊，為我們進(jìn)行線上（外賣場景）線下（到店場景）數(shù)據(jù)的對比分析也提供了一個(gè)很好的“抓手”。

本文介紹了外賣美食知識圖譜的建設(shè)，基于對外賣業(yè)務(wù)數(shù)據(jù)（外賣交易數(shù)據(jù)、商家錄入的商品標(biāo)簽信息、專業(yè)描述PGC、用戶評論UGC、商品圖片等）和站外數(shù)據(jù)（百科、菜譜等）的挖掘和分析，形成了針對外賣美食的分類體系（美食類目標(biāo)簽）和標(biāo)準(zhǔn)化體系（標(biāo)準(zhǔn)菜品名標(biāo)簽），并進(jìn)一步針對不同類型的美食商品，構(gòu)建包含口味、食材等眾多美食基礎(chǔ)屬性體系。同時(shí)，依托美團(tuán)外賣的業(yè)務(wù)特性，構(gòu)建美食商品在外賣業(yè)務(wù)中涉及的主題屬性體系，例如商家招牌、商家主營、類目經(jīng)典等。目前，外賣美食知識圖譜的標(biāo)簽結(jié)構(gòu)如下圖1所示：

圖1 美食知識圖譜標(biāo)簽體系

外賣美食知識圖譜包含以下四種維度的標(biāo)簽（以“宮保雞丁”為例，如下圖2所示）：

類目標(biāo)簽：包括主食、小吃、菜品等類目，并在每個(gè)類目下，形成了層級化的三百多種細(xì)分類目。例如“宮保雞丁”的類目是“菜品”。類目標(biāo)簽是美食商品的基礎(chǔ)分類信息，根據(jù)類目的不同，美食商品的基礎(chǔ)屬性也不同。例如“菜品”類目存在“葷素”、“菜系”之分，而“酒水飲品”類目則沒有這種屬性標(biāo)簽。標(biāo)準(zhǔn)菜品名標(biāo)簽：標(biāo)準(zhǔn)菜品名標(biāo)簽主要為標(biāo)準(zhǔn)商品信息，例如“宮保雞?。ㄕ信票攸c(diǎn)）”的標(biāo)準(zhǔn)商品是“宮保雞丁”。因商家輸入商品的多樣性，標(biāo)準(zhǔn)菜標(biāo)簽的建設(shè)，實(shí)現(xiàn)了相同美食的聚合。基礎(chǔ)屬性：根據(jù)美食商品的類目不同，構(gòu)建包括美食的食材、菜系、口味、制作方法、葷素等基礎(chǔ)屬性。例如“宮保雞丁”的菜系是“川菜”，食材有“雞胸”和“花生”，葷素標(biāo)簽是“葷”。基礎(chǔ)屬性的挖掘?qū)ξ覀兝斫馍唐菲鸬疥P(guān)鍵作用，在商品的篩選、展示、商品表征等業(yè)務(wù)需求方面，提供基本的數(shù)據(jù)特征。主題屬性：主題屬性主要體現(xiàn)美食的業(yè)務(wù)主題，包括美食在外賣的交易行為、美食在商家的定位、美食在用戶反饋中的好評度等。例如某商家的“宮保雞?。ㄕ信票攸c(diǎn)）”是該商家的“招牌菜”。

圖2 外賣美食知識圖譜樣例

菜品對齊，涉及到菜品數(shù)據(jù)，來自外賣在線菜品、點(diǎn)評推薦菜品、美團(tuán)商家套餐等。

2. 需求及挑戰(zhàn)

目前，外賣美食知識圖譜已經(jīng)應(yīng)用于美團(tuán)外賣的多個(gè)場景，例如推薦、搜索、套餐搭配、運(yùn)營分析等。業(yè)務(wù)的深入發(fā)展，對美食知識圖譜的建設(shè)和迭代也提出了更加復(fù)雜的要求，例如：

美食商品越來越多樣，相應(yīng)的美食知識圖譜則需要越來越精細(xì)和準(zhǔn)確。例如美食知識圖譜的類目標(biāo)簽從零開始，建設(shè)了包含一百多種類目的類目標(biāo)簽體系。但隨著業(yè)務(wù)發(fā)展，部分類目存在明顯的可細(xì)化空間。圖譜標(biāo)簽的挖掘，偏向于靜態(tài)標(biāo)簽的挖掘，對于相同圖譜標(biāo)簽下的美食，缺少業(yè)務(wù)相關(guān)的主題屬性描述。例如同樣包含“花生”的“酒鬼花生”，相比“宮保雞丁”，更能代表“花生”相關(guān)的美食。外賣美食知識圖譜主要描述外賣美食商品，而同一商家的美食商品，也可能會出現(xiàn)在該店的線下收銀等業(yè)務(wù)中。通過對齊不同業(yè)務(wù)的美食商品，可以在美食實(shí)體層面，完善美食知識圖譜對商家美食的描述，從而指導(dǎo)商品和商家運(yùn)營。

為滿足業(yè)務(wù)需求，我們對類目標(biāo)簽和基礎(chǔ)屬性進(jìn)行了迭代和優(yōu)化；同時(shí)，構(gòu)建了業(yè)務(wù)相關(guān)的主題屬性。另外，我們將外賣菜品和到餐菜品進(jìn)行了實(shí)體對齊。其中，挖掘主題屬性，即挖掘業(yè)務(wù)相關(guān)的圖譜知識，是一個(gè)需要綜合考慮外賣業(yè)務(wù)和商品本身屬性的復(fù)雜過程。外賣菜品和到餐菜品的對齊，則需要綜合考慮菜品多樣性表述和菜品主體歸一。

外賣美食知識圖譜的迭代難點(diǎn)主要體現(xiàn)在以下幾點(diǎn)：

業(yè)務(wù)相關(guān)的主題屬性挖掘，并沒有現(xiàn)成的體系可以參考，在構(gòu)建過程中，涉及大量的分析和體系設(shè)計(jì)工作。主題屬性的挖掘，最重要的是需要從用戶的需求出發(fā)，分析用戶對商品的需求點(diǎn)，并將其反映在商品的圖譜層面，形成相應(yīng)的主題屬性標(biāo)簽。同時(shí)，商家的商品信息是一個(gè)動態(tài)變化的過程，例如銷量、供給、商品標(biāo)簽等，前后兩天的信息可能就會完全不同。因此業(yè)務(wù)性主題屬性的挖掘，一方面需要建設(shè)相對完善的體系，另一方面也需要適配業(yè)務(wù)數(shù)據(jù)的動態(tài)變化過程，也就在圖譜挖掘和需求匹配上帶來了極大的挑戰(zhàn)。商家錄入菜品時(shí)，對菜品存在多樣性表述，例如同一道菜在分量、口味、食材等方面存在的差異。菜品對齊時(shí)，則需要對這些多樣性表述進(jìn)行平衡，例如是否忽略分量因素等。但目前并沒有現(xiàn)成的對齊標(biāo)準(zhǔn)可以參考。

3. 外賣美食知識圖譜的迭代

因篇幅受限，本文主要對其中菜品類目，不同類目、口味、食材、葷素、做法下的經(jīng)典美食，健康餐等圖譜標(biāo)簽的挖掘進(jìn)行介紹。其中，在圖譜標(biāo)簽挖掘中涉及到的數(shù)據(jù)來源和采用的技術(shù)，大致如下表所示：

標(biāo)簽技術(shù)菜品類目BERT分類模型不同類目、口味、食材、葷素、做法下的經(jīng)典美食數(shù)據(jù)統(tǒng)計(jì)、實(shí)體識別、關(guān)系識別、產(chǎn)品定義（綜合考慮銷量和供給量）健康餐分類模型+產(chǎn)品定義（符合一定食材、做法、功效的商品）

3.1 菜品類目

菜品類目標(biāo)簽的挖掘，主要解決美食菜品是什么類別的問題。實(shí)現(xiàn)這一目標(biāo)的挑戰(zhàn)有兩方面：首先是類目體系如何建立，其次是如何將商品鏈接到相應(yīng)的類目節(jié)點(diǎn)。在最開始的體系構(gòu)建時(shí)，我們從美食商品的特點(diǎn)以及業(yè)務(wù)的具體需求出發(fā)，從零開始建立起包含一百多種類別的層次化類別體系，部分實(shí)例如圖3（左）所示。同時(shí)，構(gòu)建基于CNN+CRF的分類模型，對美食商品進(jìn)行類目分類，如圖4（左）所示。

然而，隨著業(yè)務(wù)的發(fā)展，已有分類目已經(jīng)無法支持現(xiàn)有業(yè)務(wù)的需求。例如：原先的類目體系，對熱菜描述不夠詳細(xì)，譬如沒有區(qū)分熱菜的做法等。為此，我們與外賣的供給規(guī)劃部合作，將類目體系擴(kuò)充到細(xì)分的三百多種類目標(biāo)簽，劃分更加詳細(xì)，覆蓋也更加全面，部分實(shí)例如圖3（右）所示。

圖3 類目體系的迭代

類目的細(xì)分，要求模型更加精確。在進(jìn)行類目識別時(shí)，可用的數(shù)據(jù)包括菜品名、商家店內(nèi)側(cè)邊欄分類名稱、商家名等?？紤]到可使用的信息大多為文本信息，并且，商家錄入的文本并沒有一定的規(guī)范，菜品名也多種多樣，為提高模型精度，我們將原先的CNN+CRF的分類模型進(jìn)行了升級，采用模型容量更大的BERT預(yù)訓(xùn)練+Fine-Tuning的模型。模型結(jié)構(gòu)如下圖4（右）所示。

圖4 類目模型迭代

3.2 不同類目、口味、食材、葷素、做法下的經(jīng)典美食標(biāo)簽

我們在建設(shè)主題屬性時(shí)，首先在基礎(chǔ)屬性標(biāo)簽維度，綜合考慮商品的銷量和供給情況，對菜品進(jìn)行選優(yōu)。例如類目下的經(jīng)典美食等。但在建設(shè)過程中，我們發(fā)現(xiàn)菜系的經(jīng)典美食識別，假如依據(jù)銷量和供給進(jìn)行識別，則識別結(jié)果傾向于菜系下的“家常菜”，因此將經(jīng)典菜系美食進(jìn)行單獨(dú)識別。

類目經(jīng)典美食等指的是銷量較高、供給量豐富的類目美食商品，例如主食經(jīng)典美食、小吃經(jīng)典美食?？谖丁⑹巢?、做法經(jīng)典美食標(biāo)簽等也是相似的定義。

在建設(shè)過程中，我們發(fā)現(xiàn)，假如直接在商品維度進(jìn)行識別，因?yàn)樯唐返母骂l率相對較高，對新錄入的暫時(shí)沒有銷量或者暫時(shí)銷量低的美食商品不友好，銷量水平需要考慮在線時(shí)間的影響。因此我們使用標(biāo)準(zhǔn)菜品進(jìn)行類目、口味經(jīng)典等的識別，并通過標(biāo)準(zhǔn)菜品，泛化到具體的美食商品上。

其中，“標(biāo)準(zhǔn)菜品”借用其它類電商業(yè)務(wù)中的“標(biāo)品”概念，雖然絕大部分菜品的生產(chǎn)都不是標(biāo)準(zhǔn)化的過程，但是這里我們只關(guān)注主要的共性部分，忽略次要的差異部分。例如“西紅柿雞蛋”、“番茄炒蛋”都是同一類菜品。從結(jié)果上看，目前我們聚合出來的“標(biāo)準(zhǔn)菜品”達(dá)到幾十萬的量級，并且能夠覆蓋大部分美食商品。

借助標(biāo)準(zhǔn)菜品，我們將類目、口味、食材、葷素、做法等標(biāo)簽聚合到標(biāo)準(zhǔn)菜品維度，并將銷量、供給量進(jìn)行標(biāo)準(zhǔn)菜品維度計(jì)算，這樣就解決了商品在線時(shí)間長短的問題。在具體打標(biāo)過程中，例如類目經(jīng)典，我們基于銷量和供給，在類目維度對標(biāo)準(zhǔn)菜進(jìn)行排序，并選擇Top n%標(biāo)準(zhǔn)菜進(jìn)行打標(biāo)，作為類目經(jīng)典下的商品。例如在“面食”類目下，“西紅柿雞蛋面”的銷量和供給量均在Top n%的水平，因此就認(rèn)為“西紅柿雞蛋面”是一個(gè)面食類經(jīng)典美食。

3.3 健康餐

這里的健康餐主要指低脂低卡餐，即低卡路里、低脂肪、高纖維、制作簡單、原汁原味、健康營養(yǎng)的食物，一般為蔬菜水果（如羅勒、甘藍(lán)、秋葵、牛油果等），富含優(yōu)質(zhì)蛋白的肉類（如三文魚、蝦、貝類、雞胸等），谷物（主要以粗糧為主，如燕麥、高粱、藜麥等）。烹飪方法也堅(jiān)持“少油，少鹽，少糖”的原則，主要做法為蒸、煮、少煎、涼拌等。

健康餐的識別，主要挑戰(zhàn)在于本身的樣本較少，但是因?yàn)榻】挡偷奶厥庑裕碳以谶M(jìn)行商品錄入時(shí)，一般會對其進(jìn)行描述，例如指出這個(gè)美食商品是“健康”的、“低卡”的、“健身”類型的，因此我們構(gòu)建了一個(gè)分類模型，對健康餐進(jìn)行識別?？墒褂玫臄?shù)據(jù)，包括商品名、商家導(dǎo)航欄、商家名稱、商家對商品的描述等。而商家類目與商品的類目處于迭代狀態(tài)，因此并沒有對這部分信息進(jìn)行使用。

識別過程如下：

訓(xùn)練數(shù)據(jù)構(gòu)建：因健康餐本身的占比相對較少，因此首先總結(jié)和健康餐相關(guān)的關(guān)鍵詞，使用關(guān)鍵詞進(jìn)行文本匹配，采樣概率相對較高的健康餐數(shù)據(jù)，進(jìn)行外包數(shù)據(jù)標(biāo)注。此處，我們總結(jié)出“沙拉、谷物飯、谷物碗、低油、低卡、無糖、減脂、減肥、輕食、輕卡”等關(guān)鍵詞。模型構(gòu)建：同一個(gè)商品因其中使用的配料不同，在健康餐識別方面也會不同，例如菜名為“招牌沙拉”的商品，假如沙拉中添加了芝士，則有可能商品就不會被識別成健康餐。為了綜合考慮商家錄入的商品信息，使用商品名、商家名、導(dǎo)航欄名稱、商家錄入的商品描述等。這四種數(shù)據(jù)為不同尺度的數(shù)據(jù)源，商品名等為相對較短的文本，因此在模型構(gòu)建時(shí)，考慮使用類似Text-CNN[1]的結(jié)構(gòu)進(jìn)行字級別的特征提?。簧唐访枋鰟t是相對較長的文本，因此在構(gòu)建時(shí)，考慮使用類似Transformer[2]的結(jié)構(gòu)進(jìn)行特征提取，使用Multi-head Attention的機(jī)制，提取長文本中，“字”層面的特征。具體結(jié)構(gòu)如下：采用了兩種結(jié)構(gòu)：Multihead-attention（Transformer）和Text-CNN。實(shí)驗(yàn)發(fā)現(xiàn)，采用兩種結(jié)構(gòu)聯(lián)合的方式，比采用單一結(jié)構(gòu)準(zhǔn)確率高。在建模時(shí)，均使用字級別特征處理，避免因?yàn)榉衷~造成的誤差，同時(shí)也避免未登錄詞的影響。數(shù)據(jù)迭代增強(qiáng)：因?yàn)槭褂藐P(guān)鍵詞進(jìn)行樣本構(gòu)建，在模型訓(xùn)練時(shí)，模型會朝著包含這些關(guān)鍵詞的方向?qū)W習(xí)，因此存在漏召回的情況。在這里，我們進(jìn)行了一定的訓(xùn)練數(shù)據(jù)增強(qiáng)，例如在評估時(shí)，選取可識別出健康餐的商家，對該商家中漏召回的數(shù)據(jù)進(jìn)行訓(xùn)練數(shù)據(jù)補(bǔ)充；同時(shí)，對部分特征明顯的關(guān)鍵詞，進(jìn)行補(bǔ)充并擴(kuò)充正例。通過對訓(xùn)練樣本的多次擴(kuò)充，最終完成健康餐的高準(zhǔn)確率識別。

圖5 健康餐識別模型

3.4 菜品實(shí)體對齊

考慮到同一商家菜品在不同業(yè)務(wù)線的菜品名可能略有差異，我們設(shè)計(jì)了一套菜品名匹配的算法，通過拆解菜品名稱的量詞、拼音、前后綴、子字符串、順序等特征，利用美食類目識別、標(biāo)準(zhǔn)菜品名抽取、同義關(guān)系匹配等進(jìn)行菜品實(shí)體對齊。例如：碳燒鴿=炭燒鴿、重慶辣子雞=重慶歌樂山辣子雞、茄子肉泥蓋飯=茄子肉泥蓋澆飯、番茄炒蛋=西紅柿炒蛋等。目前，形成如下圖的菜品歸一體系：

圖6 菜品歸一體系

4. 應(yīng)用

這里對外賣美食知識圖譜的應(yīng)用，進(jìn)行舉例說明。主要涉及套餐搭配、美食商品展示等。

4.1 套餐搭配-表征菜品

為滿足用戶的搭配成單需求，進(jìn)行套餐搭配技術(shù)的探索。套餐搭配技術(shù)的關(guān)鍵在于，對美食商品的認(rèn)知，而外賣美食知識圖譜，則提供了最全面的數(shù)據(jù)基礎(chǔ)。我們基于同商家內(nèi)的商品信息和歷史成單信息，對商品的搭配關(guān)系進(jìn)行擬合，參考指針網(wǎng)絡(luò)[2]等結(jié)構(gòu)，構(gòu)建了基于Multi-Head Attention[3]的Enc-Dec模型，具體的模型結(jié)構(gòu)如下：

Encoder：對商家菜單進(jìn)行建模，因菜單為無序數(shù)據(jù)，因此采用Attention的方式進(jìn)行建模。商品的信息主要包括商品名、商品圖譜標(biāo)簽、交易統(tǒng)計(jì)數(shù)據(jù)等三部分。對菜名、商品標(biāo)簽分別進(jìn)行Self-Attention計(jì)算，得到菜名和商品標(biāo)簽對應(yīng)的向量信息，然后與交易統(tǒng)計(jì)數(shù)據(jù)進(jìn)行Concat，作為商品的初步表示。對商品的初步表示進(jìn)行Self-Attention計(jì)算，以對同商家的商品有所感知。Deocoder：對搭配關(guān)系進(jìn)行學(xué)習(xí)，基于當(dāng)前已選擇的商品，對下一個(gè)可能的搭配進(jìn)行預(yù)估。在搭配輸出時(shí)，使用Beam-Search進(jìn)行多種搭配結(jié)果的輸出。為了保證輸出搭配中的商品的多樣性，添加Coverage機(jī)制[2]。訓(xùn)練之后，將Encoder部分分離，進(jìn)行離線調(diào)度，可實(shí)現(xiàn)每天的向量產(chǎn)出。

具體的模型結(jié)構(gòu)如下圖所示：

圖7 套餐搭配模型

基于外賣美食知識圖譜構(gòu)建的套餐搭配模型，在多個(gè)入口（“滿減神器”、“對話點(diǎn)餐”、“菜品詳情頁”等）取得轉(zhuǎn)化的提升。

4.2 交互式推薦

通過分析外賣用戶的需求，發(fā)現(xiàn)用戶存在跨店相似商品對比的需求，為打破商家界限的選購流程特點(diǎn)，提供便捷的跨店對比決策方式。交互式推薦，通過新的交互模式，打造推薦產(chǎn)品的突破點(diǎn)。在用戶的交互過程中，根據(jù)用戶的歷史偏好、實(shí)時(shí)的點(diǎn)擊行為，向用戶推薦可能喜歡的美食商品。如下圖8（左）所示，在向用戶進(jìn)行同類美食的推薦時(shí)，美食知識圖譜中的標(biāo)準(zhǔn)菜品標(biāo)簽提供了主要的數(shù)據(jù)支撐。

4.3 搜索

搜索作為外賣核心流量入口，承載了用戶明確的外賣需求。用戶通過輸入關(guān)鍵詞，進(jìn)行菜品檢索。在實(shí)際使用中，從搜索的關(guān)鍵詞類型看，可能是某個(gè)具體的菜品，也可能是某種食材、某種菜系。在美食知識圖譜中，圖譜標(biāo)簽的高準(zhǔn)確率和高覆蓋，有助于提升搜索入口的用戶體驗(yàn)，最新的實(shí)驗(yàn)也表明了這一點(diǎn)（新增部分食材、菜系、功效等標(biāo)簽，在搜索的線上實(shí)驗(yàn)效果正向）。

圖8 交互式推薦和搜索

5. 未來規(guī)劃

5.1 場景化標(biāo)簽的挖掘

美食與我們的生活息息相關(guān)，美團(tuán)外賣每天為千萬用戶提供美食方面的服務(wù)。然而，用戶的需求是多種多樣的，在不同的環(huán)境、不同的場景下，對美食的需求也不盡相同。目前美食知識圖譜挖掘，在場景相關(guān)的標(biāo)簽較為缺失，例如某些節(jié)氣、節(jié)日等圖譜知識；特定天氣情況下的圖譜知識；特定人群（增肌人群、減肥人群）等的圖譜知識。接下來我們會在場景化標(biāo)簽的挖掘方面進(jìn)行探索。

在挖掘方法方面，目前的挖掘數(shù)據(jù)主要為文本信息。在商品圖片、描述、結(jié)構(gòu)化標(biāo)簽等信息的融合方面，挖掘不夠深入，模型的效果也有待提升。因此在多模態(tài)識別模型方面，我們也會進(jìn)行相應(yīng)的探索。

5.2 基于圖譜的推薦技術(shù)研究

美團(tuán)外賣在理解美食的基礎(chǔ)上，向用戶進(jìn)行美食推薦，以更好地滿足用戶對美食的需求。外賣美食知識圖譜和外賣業(yè)務(wù)數(shù)據(jù)，作為實(shí)現(xiàn)這一點(diǎn)的數(shù)據(jù)基礎(chǔ)，包含上億的節(jié)點(diǎn)信息和十幾億的關(guān)系數(shù)據(jù)。通過對用戶的商品搜索、點(diǎn)擊、購買等行為進(jìn)行建模分析，可以更加貼合用戶的需求，向用戶進(jìn)行商品推薦，例如，將美食知識圖譜和外賣行為數(shù)據(jù)融合，以用戶為起點(diǎn)，進(jìn)行隨機(jī)游走，向用戶推薦相關(guān)的美食。在接下來的圖譜應(yīng)用方面的探索中，我們也會更加深入的探索基于美食知識圖譜和用戶行為的推薦技術(shù)。

6. 參考文獻(xiàn)

[1] Kim Y. Convolutional neural networks for sentence classification[J]. arXiv preprint arXiv:1408.5882, 2014.[2] See A, Liu P J, Manning C D. Get to the point: Summarization with pointer-generator networks[J]. arXiv preprint arXiv:1704.04368, 2017.[3] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advances in neural information processing systems. 2017: 5998-6008.[4] Hamilton W, Ying Z, Leskovec J. Inductive representation learning on large graphs[C]//Advances in Neural Information Processing Systems. 2017: 1024-1034.

7. 作者簡介

楊林、郭同、海超、懋地等，均來自美團(tuán)外賣技術(shù)團(tuán)隊(duì)。

相關(guān)知識

美團(tuán)外賣應(yīng)該怎樣點(diǎn)
測評有獎｜美團(tuán)外賣測評官上線，曬必點(diǎn)外賣美食
如何點(diǎn)外賣美團(tuán)外賣
美團(tuán)外賣該如何點(diǎn)
美團(tuán)外賣健康證怎么辦
美團(tuán)點(diǎn)外賣怎么點(diǎn)的
[善存&美團(tuán)]：2024白領(lǐng)外賣餐食健康洞察
外賣健康證ps模板圖片（美團(tuán)健康證20元）
美團(tuán)：2024白領(lǐng)外賣餐食健康洞察報(bào)告（27頁）.pdf
美團(tuán)怎么點(diǎn)外賣 美團(tuán)點(diǎn)外賣方法詳細(xì)流程一覽

網(wǎng)址: 美團(tuán)外賣美食知識圖譜的迭代及應(yīng)用 http://m.u1s5d6.cn/newsview1316136.html