很多同学认为外卖是线上下单、线下送餐的业务，商业模式简单，这种想法正确但是理解片面，它不仅需要技术，而且要用深度学习来解决。那么，外卖为什么需要技术?为什么需要深度学习技术?
深度学习对于送餐的价值，大家简单了解一下外卖业务的场景和特点，就能理解其中需要通过技术方式来解决的难点了。
从业务场景上划分，是团购、点评、预订和外卖：
团购，像过去的美团、大众点评，当然这两家公司现在合作了，还有之前的窝窝、拉手以及百度糯米。
外卖，像美团外卖、饿了么。
点评，像经典的以信息平台的方式给用户提供信息决策的大众点评。
预订，美团在做的点餐相关的很多业务。
事实上，外卖上的 O2O 线下场景及其业务模式，要远比上图所表达的要复杂。
而整个外卖行业的发展非常快，我们 2014 年的订单才刚突破 100 万，但是到今年 6 月份的时候，我们的订单量已经突破了 1200 万。
外卖业务相比团购、电商的平台有四个业务特点：电商化、运营化、本地化、场景化。
首先说电商化，外卖的交易能够闭环。这一点跟电商在淘宝京东的模式比较类似，但是不一样的地方在于它是线上线下结合，所有提供服务的店铺都是实体的，不管餐饮还是非餐饮。
接下来是运营化的特点，一个是内容形式的多元化，包括商家，餐饮的、非餐饮的，餐饮有很多套餐的组合;内容形态上能看到产品的形态，目前这一块还不明显。
另外是运营能力，包括商家自运营的能力、BD 自运营的能力、骑手的运营能力，这些都不是完全一样的。
另外一个特点是本地化。对于用户来讲，他一般只能消费到绿色区域商家提供的服务，这就决定了它的供需关系是受约束的。
还有一块是供需关系的动态变化。动态变化首先商家不是 24 小时营业的，另外是商家的配送距离也是动态变化的。
从技术角度满足整个服务的动态变化，就需要个性化的数据，这是一个很大的挑战。
***一个是场景化。上图是外卖订单按一天24小时的分布曲线图，有两个高峰，一个是午餐高峰，另外一个就是晚餐高峰。这个是时间的一个时段化。对于基本吃的场景来讲，用户吃的地域性或者本地化的差异比较大。
综合这几个业务特点来看，一个是个性化程度很高，另外一块精细化的需求很大。
我们在时间场景上、地域场景上，甚至更细的业务场景上，要把精细化程度做深;另外一块是多元化的特点，形态多元、内容多元包括供给单位的多元;还有实时化程度很重要，配送这一块的距离在实时变化，我们需要做实时监控。
针对这些业务的特点，我们要去解决这些技术挑战需要什么样的基础工具?
下面简单介绍一下美团点评的整个大数据平台。
美团点评的大数据平台架构
美团点评大数据平台的架构，***层是美团的基础设施，美团有自己的云平台，所以所有的服务器都在云平台上。
云平台之上是基础的 HDFS 这样的服务，像 Hbase 这些相关的基础设施。上面一层是机器学习平台，非线性数目性的工具都有相应的部署。
最上面是美团点评几个大的业务群，包括酒店、旅游的业务，包括娱乐这样综合的业务，包括整个公司的广告平台。
在主架构之上有一个 Log 平台，因为业务很多，所以业务产生的数据，不管是 B 端还是 C 端，很多数据都会统一落到 Log 平台上，由 Log 平台对接到顶层业务平台上。
另外一个就是监控平台，服务监控、数据监控以及业务调度。
美团点评的深度学习应用实践
接下来，给大家简要介绍美团点评深度学习的两个关键应用场景。
应用场景1：图像技术
美团平台上的技术内容多样化，包括图像和文字，尤其用户在手机上面，会做很多决策的时候，图像对他的决策影响至关重要。
在图像这块，我们做了两个关键事情，一个是图像质量的技术，另一个是 OCR 技术。
图像质量技术有什么应用场景?如上图所示，左侧这个图明显看着比较舒服，右侧图就看着乱七八糟，这个很难主观描述，就是人的直观感觉。
具体来说，左侧两个图片的清晰度可能高一点，或者完整度高一些。在用户做决策的时候，如果我们在平台上面分的是质量比较高的图片，用户整个点击会比较快。
对商家来讲，用户很容易发生需求匹配的转化。但是右侧这个图来讲，整个体验转化的能力上会相对比较弱。
基于这个背景，我们对图像质量进行判断，发现存在一些关键的难点和挑战，主要有三个关键点：
标准评判很难，包括定义它的清晰度、完整度还有图片里面的构成，整个行业也没有对图像质量的标准定义。
用户的关注点不一样，有些用户可能关注图片是否清晰，有些用户关注图片是不是完整，有没有关键的信息给切走。
人工标注成本高。
怎么解决这几个问题?我们引入了建模的方式，一个像美学的课程，另一个是图像基础的特征，并在样本标注上采用自动化标注的方式。
我们去看图片的来源，直观的理解是用户自动上传的图片，也就是 UGC 的图片，质量相对差一些。我们专业的人员开设的图片质量会好一些，可以做一些基本的标注。
另外一块是基于用户行为来看，我们会展示给用户点击比较多的图片，可能是用户感兴趣或者质量比较好的图片;点击比较少的图片，我们认为它是质量比较差的图片，这样可以通过自动化的方式把样本标注出来。
在图片输入上，我们没有直接给每个图片识别它是高质量、中质量还是低质量的图片，基本上采用的是一个学习的方式，比如图片的美感，通过 DNN 方式来判断图片，包括它的品类，属于快餐、西餐还是简餐之类。
另外一块是基础特征，图像的色彩，包括图像的对比度。
这些基础特征也可以用来做整个建模，还有一块是整个在深度学习上面，我们有直接去做，通过 KOS 的方式判断哪一个图像质量比较好，哪一个图像质量比较差，最主要是从一堆图片里面选择比较好的图片展示给用户。
涉及到的数据比较商业化，整体来讲，建模做完了之后，我们用户体验式得到了提升。
应用场景2：OCR技术
前面是整个图像质量的一个技术，接下来说说 OCR 的技术。OCR 是做数据的检测，OCR 在美团外卖有哪些比较关键的应用呢?
比较大的方面是自动审核，为了保证给用户提供可靠的服务或者优质的服务，我们需要审核商家的牌照，商家的经营许可证，商家的产品质量，这一块如果用人工审核的话，人力成本会很高。
另外一块是自动录入，商家入住到外卖平台之后，要把菜录入到上面去，尤其商家要不断的改菜单，不断的录入菜单，这一块是自动录入的过程，这是我们基本应用上的两个需求点。
图像有很多成像的方式，另外一块文字很复杂，很多图片上的文字不是标准的楷体，各种各样乱七八糟的字体会有，甚至还有变形的字体，图像的背景很复杂，或者说人看到都很难区分这种场景，这对整个 OCR 提出了技术难点的挑战。
怎么解决这些问题呢?
OCR 识别的技术是我们发现比较关键的技术，文字的检测首先从图片开始，比如我们检测哪一些是图片里面的文字，哪一些是图片本身。
另外一块是文字的识别，我们检测到图片之后，怎么把里面的文字识别出来，这一块整体采用的是 CNN 方式，加入 BLSTM 的模式，考虑了整个序列建模的能力，***一块是 CTC 的序列识别模型。
我们整个过程由原来人工审核变成了自动化的过程，整个运营效率得到了很大的提升。
美团点评DNN在评估模型中的应用
接下来详细介绍一下 DNN 在预估模型上面的应用，包括前面也讲了会涉及到很多预估，预估在整个算法领域用的非常多，比如说广告里面涉及到的 CTR 的预估。如果我们优化目标可能是 CTR 那就是 CTR 的预估，还有很多 ROI 的预估。
最近几年，国内外互联网大公司都在研究基于 DNN 的模型，怎么把原来传统的模型可能存在的一些缺点进行改进，这是我们在做的一些相应的探索。
首先简单介绍一下我们的业务模型。前面介绍了业务的特点，基于业务特点，用户的模型是什么样的，有几个关键的步骤，用户做决策时看到了相关的信息之后，这个是不是用户的目标需求，决定了用户的消费决策。
先点击，点击之后进入到商家的点菜页里面，可以加菜或者减菜，之后用户可以提交订单，提交之后用户有一系列的输入、地址等，之后就是支付了，***就进入到商家系统。
整个流程像一个漏斗，在这个漏斗里面每一场都有相应的转化，我们可以去做预估，也可以对整个链路做一个完整的预估。
另外一块是在这样一个预估模型里面，我们通过多个维度的特征表述这个样本，我们采用某一种学习模型，得到最终的预制结果。
在外卖的场景上，特征的维度更复杂，前面提到用户的特征这是最基本的，另外一块包括场景层面地点的特征，不同的建筑物类型，用户需求的不同，包括时间也涉及到配餐的特征，用户肯定倾向于配送比较快的结果。
这个又分不同的业务场景，比如说吃午饭 12 点餐，你可能希望十分钟送过来，你想吃水果你可以等三个小时。
什么是特征组合?
另外一个就是商家的特征，最主要是商家提供的商品，采用直营的模式，每一个实体的饭店，包括饭店的质量和整体的转化能力，其中经营能力有很多的特征，还有商品的特征。
从这个角度来看，整个定特征的过程中，特征很多，这么多的维度都可以切出来不同的模式，怎么去定义特征，怎么组合特征的过程成本很高，这个过程依赖于人工经验，在整个行业里面个性化推荐效果比较好，为什么效果比较好呢?
除了技术比较好之外，在业务这一块做了很多特征的定义，除了技术本身要深入的理解，业务上也有很多的特征和经验。另外一块是特征选择很大，特色比较多了之后做特色选择成本是很高的，怎么样把有价值的选出来。
刚才提到几个关键点是 DNN 比较擅长的能力，为什么我们会尝试很多的 DNN 呢?
一方面是传统的模型已经研究了很多年了，另外一块在传统的模型上面，它有一些不足。
它的优点是速度很快，基本上是线性模型，我们用千亿级的特征，但是它的缺点在于因为它是线性的，所以非线性的能力是比较弱的。但是实际的场景里面不是简单的线性化，而是非线性化，甚至更复杂的构成。
另外一块因为是线性的，所以最基本的逻辑认为它是单维的，需要我们每个人手动的组合特征，组合特征就涉及到如果人工安排，我们如果准备三个就三个，如果多个就很复杂，所以特征组合的成本很高。
树模型的应用
树模型可以解决特征组合的问题。同时还能解决整个树空间的问题，把整个空间做了一个多维度，不是简单的通过线性的切分方式，所以它的解决就是线性能力受限的问题。
比如说前面提到的有业务的类型，有快餐、简餐、西餐;另外一块是文本特征，这一块树模型上面不是那么擅长的，所以基于此我们尝试多个 DNN 的模型。
整个系统的架构架构分为两个大的层次，首先是基本的数据层，包括用户来了之后在 APP 上面，包括我们的 API、很多业务的数据，上面分两块，一个是离线的数据处理，一个是在线实时的数据处理。
离线数据有几个关键的步骤，另外一个在线的整个逻辑上比较类似，核心的逻辑部分就是包括端达到 API，API 到后来的 Service，这个用户是使用技术还是某一个线，这个按照业务特点的规则要做一个排序的。
再看一下整个在外卖上面关键特征的体系，一个是用户维度，一个是商户维度。
我们从用户画像来看，一个是基本用户是男生还是女生，或者是它的行业是学生还是白领，有哪一些偏好，他喜欢吃粤菜还是北京菜，还有另外购买能力，一顿饭吃一百块还是 20 块钱，另外还有优惠的偏好很多的信息。
商户这一层包括商户的基本信息，也有商家用的第三方的配送，也有用的美团点评，所以在配送的时效性这一块有很大的差别，这个是单独的特征，另外还有各种组合特征和关联特征。
比如说一个用户浏览次数是多少，点击次数是多少，下单次数是多少，以及对应的点击率是多少，有很多交叉的特征。
熟悉了政策体系之后，首先我们尝试了 Google 经典的 Deep Model，分成两块，特征进去之后做***的一个预测得到相应的结果。
接下来简要介绍一下，Wide 这一块可以输出单一的特征，又可以输出组合的特征，需要把特征转到一个 Model 空间里面去，在 Deep 这一块可以根据业务的特点是去试用或者调参数。
另外一块是做特征时，虽然它是高维的，但是可以把高维转到低维空间里面，这一块是更详细的一个图，这个图里面我们把特征做了分层，也可以做的比较灵活一些，可以在不同的厂商，或者有的厂商可以介入到最终的逻辑回归那一层。
在做模型的过程中，关键的就是离线，离线一个是样本处理，包括样本的清洗还有爬虫过滤，爬虫现在不少，这些爬虫的数据对整个的效果影响很大。
另外还有无效的加载，材料的优化，怎么调价样本还是副样本都很关键，我们采用用户的点击设想给它。
在业界里面用的比较多的，甚至他是新用户使用优惠才点，这个是表述它的兴趣的内容，我们做了一些筛选，选出来相对一定频度的用户，或者是商品作为整个的样本空间，准确的来做数据。
前面提到的 Model 把不同的特征做了不同层次的划分，不同层次的划分在不同模型上使用，特征能力用的比较强，但是大家也看到，前面模型使用特定的特征，没有考虑到实序的特征。
实际上用户进入到一个场景，不管是电商的产品还是外卖产品的时候，用户肯定会有一系列的行为。
比如说在最终下单之前，还有就是去构建实际的序列，同时把实际的序列作为每个时段的输入，同时每个时段去做相应特征的项目，最终做一个完整的预测得到相应的结果。
这里面是使用经典 RNN 的模型，大家可以尝试一下长短序列机的模型。
这一块因为涉及到用户的实时架构，所以简要介绍一下我们实时系统的架构。基本上，首先是用户的个人行为的数据，进入序列之后，根据数据做相应的梳理。
从整个 KV 结构里面，同时去做多层指标的监控，监控这个数据是不是正常的，我们怎么样对日常的数据做一些相应的处理。
接下来简单介绍一下用户的信息，一个是输入，以不同的应用场景去选择，实际上在点击用户场景里面可以点击用户观看，同时它的每一个输入需要做相应的 one—hot 这种输入。
输出的也可以做一个序列，这个序列可以根据实际的场景控制，序列里面根据概率我们去选择的时候，按照一定概率的排序去给用户一个相应的序列结果，精准的标识用户的需求。
在这里面，关键点是序列的长度。序列的长度根据不同的业务方式去调整，序列太长了，一方面可能会很稀疏，另外一方面计算的时间很高。
序列太短的情况下，用户的信息不会被充分的挖掘，需要按照一定的时间窗做相应的选择。最终的收益是我们给用户推荐结果的精准度提升了很多，提升了整个平台的转化效果和收益。
结语
对外卖来讲，业务很关键，如何把最终的效果做好?不但要从技术的角度上理解，我们还需要对业务有更深入的理解，理解业务之后决定采用什么样的技术来解决这个问题。
另外在算法选择上，在整个算法里，一下子找到牛逼的方法需要做很多的尝试，我们需要尝试很多的模型，同时需要做总结，在什么样的场景，什么样的问题上用什么样的策略方式是比较合适的。
