商品识别篇：使用 ResNet 识别你的货架商品 扫码试看/订阅 《 TensorFlow 2项目进阶实战》视频课程 • 基础：图像分类问题定义与说明 • 基础：越来越深的图像分类网络 • 应⽤用：检测SKU抠图与分类标注流程 • 应⽤用：分类训练集与验证集划分 • 应⽤用：使⽤用TensorFlow 2训练ResNet • 应⽤用：使用ResNet识别货架商品 • 扩展：图像分类常用数据集综述 “Hello TensorFlow” Try it！ 应⽤用：使⽤用 TensorFlow 2 训练 ResNet “Hello TensorFlow” Try it！ 应⽤用：使用ResNet识别货架商品 “Hello TensorFlow” Try it！ 扩展：图像分类常用数据集综述 https://github.com/zalandoresearch/fashion-mnist http://yann

商品检测篇：使用 RetinaNet 瞄准你的货架商品 扫码试看/订阅 《 TensorFlow 2项目进阶实战》视频课程 • 基础：目标检测问题定义与说明 • 基础：R-CNN系列二阶段模型综述 • 基础：YOLO系列一阶段模型概述 • 基础：RetinaNet 与 Facol Loss 带来了什么 • 应用：检测数据准备与标注 • 应用：划分检测训练集与测试集 • 应用：生成CSV 应用：生成CSV 格式数据集与标注 • 应用：使用 TensorFlow 2 训练 RetinaNet • 应用：使用 RetinaNet 检测货架商品 • 扩展：目标检测常用数据集综述 • 扩展：目标检测更多应用场景介绍 目录 基础：目标检测问题定义与说明 目标检测问题 目标检测评估：Ground Truth 目标检测评估： Intersection over Union (IoU) TensorFlow” Try it！ 应用：使用 TensorFlow 2 训练 RetinaNet “Hello TensorFlow” Try it！ 应用：使用 RetinaNet 检测货架商品 “Hello TensorFlow” Try it！ 扩展：目标检测常用数据集综述 通用目标检测数据集 • The ImageNet Large Scale Visual Recognition

提交订单的时候 要做什什么检查？ 如何添加商品？ ⽀支付订单的时候和 ⽀支付宝对接的逻辑 是什什么样的？ 魔⻤鬼隐藏在细节之中 今天既然是讲落地，那么就从⼀一个实际需求出发，我们看看 如何把需求拆解成⽤用户故事，然后如何把⽤用户故事转变成领 域故事，最后领域故事⼜又如何变成为代码。 02 从需求到代码 京⻄西商城的需求 ‣ 产品运营⼈人员可以添加新的商品，编辑产品库存，并发布到京⻄西商城，⽤用户 作为⼀一个商城顾客 我可以确定购物⻋车中的商品和数量量，然后提交商品订单 为了了在商城上购买商品 Acceptance Criteria 1 - Given：导航【购物⻋车】 - When：确定购物⻋车中要提交的商品和数量量，然后点击提交； - Then：订单成功提交，从商品库存中锁定订单的数量量，提示⽓气泡“商品已保存成功” - And when：如果订单的数量量超过商品库存中可以锁定的数量量 - 订单API控制器器会收到创建订单请求，然后根据请求⽣生成创建订单命令，然后让创建 订单应⽤用根据创建订单命令创建商品 2.创建订单应⽤用收到命令后，先调⽤用查询商品库存服务查找商品库存， 如果商品库存可以⽀支持订单数量量，就让创建订单服务根据创建订单命令进⾏行行订单 创建，创建成功后返回成功结果给订单API控制器器 如果商品库存不不⽀支持订单数量量，返回出错结果和原因给订单API适配器器 3.创建订单服务收到

技术年货 4.1 构建预估内核：高效的特征和模型迭代 4.1.1 Operator 和 Transformer 在搜索场景下，特征抽取较为难做的原因主要包括以下几点： ● 来源多：商户、商品、交易、用户等数十个维度的数据，还有交叉维度。由于 美团业务众多，难以通过统一的特征存储去构建，交易相关数据只能通过服务 来获取。 ● 业务逻辑多：大多数据在不同的业务层会有复用，但是它们对特征的处理逻辑 一维度的特征，那这个模型就可以配置在同一个服务下，也就是本机可以加载这个 Stacking 模型；而异构指的是 Model Feature 与当前预估的文档不是统一维度的， 比如商户下挂的商品，商户打分需要用到商品打分的结果，这两个模型非统一维度， 属于两个业务。正常逻辑下需要串行处理，但是 Augur 可以做得更高效。为此我们 设计了两个 OP 来解决问题： ● LocalModelFeature： 层面上对用户的行为序列进行建 模 [9]；BST 模型通过 Transformer 模型来捕捉用户历史行为序列中的各个 item 的关 联特征，与此同时，加入待预测的 item 来达到抽取行为序列中的商品与待推荐商品 之间的相关性 [4]。这些已经发表过的工作都具有很大的价值。接下来，我们主要从美 团搜索的实践业务角度出发，来介绍 Transformer 在用户行为序列建模上的实践。 模型结构 在

事件⻛风暴暴示例例 订单 已创建 订单 已⽀支付 商城库存 已扣减 仓库库存 已占⽤用 商品 已创建 订单 已撤销 商城库存 已增加 出库单已 ⽣生成 出库单已 发货 投诉单 已创建 投诉单已 处理理 商城库存 已编辑 商品 已发布 商品销售 价格已编辑 订单 已发货 补货申请 单已创建 补货申请 单已审批 ⼊入库单 已创建 已创建 ⼊入库单 已⼊入库 订单 已签收 订单已 确认收货 仓库库存 已扣减 仓库库存 已增加 商品已 编辑 退货单已 创建 退货单已 审核 订单已 退货 ⼊入库单 已创建 ⼊入库单 已⼊入库 仓库库存 已增加 寻找命令 事件⻛风暴暴 命令⻛风暴暴 寻找聚合 什什么是命令？ 为什什么⽤用命令？ 如何进⾏行行命令⻛风暴暴？ 命令：什什么活动产⽣生了了事件 命令⻛风暴暴示例例 订单 已创建 订单 已⽀支付 商城库存 已扣减 仓库库存 已占⽤用 商品 已创建 订单 已撤销 商城库存 已增加 出库单已 ⽣生成 出库单已 发货 投诉单 已创建 投诉单已 处理理 商城库存 已编辑 商品 已发布 商品销售 价格已编辑 订单 已发货 补货申请 单已创建 补货申请 单已审批 ⼊入库单 已创建

mybatis.po.User' 4.1.4 传递 pojo 包装对象 开发中通过 pojo 传递查询条件 ，查询条件是综合的查询条件，不仅包括用户查询条件 还包括其它的查询条件（比如将用户购买商品信息也作为查询条件），这时可以使用包装对 象传递输入参数。 4.1.4.1定义包装对象 定义包装对象将查询条件(pojo)以类组合的方式包装起来。 public class QueryVo { 关联查询 5.1 商品订单数据模型 用户表：user 记录了购买商品的用户信息 Id：唯一标识一个用户 订单表：orders 记录了用户创建的订单 创建用户:user_id(外键) 订单号 创建时间 订单状态 外键： user_id 订单明细表：orderdetail 记录了用户购买信息 所属订单：orders_id（外键） 商品 id:items_id（外键） 商品数量 商品购买价格 外键：orders_id 外键：orders_id 商品信息：items 记录了所有商品信息 商品 id：id（主键） 商品名称： 商品介绍 商品价格 外键： items_i d 一对多 一个用户可 以创建多个 订单 一对一： 一 个 订 单 只 能 由 一 个 用 户创建 一对多 一 个 订 单 包 括 多 个购买明细 一对一 一个订单明细只能 属于一个订单 一对一 一 个 明 细 对 应 一 个 商品 一对多 一个商品对应多

竞赛问题与挑战：竞赛是以电子商务平台为背景，预估用户下一次点击的商品。并围 绕着如何缓解推荐系统中的选择性偏差以及流行度偏差进行展开，具体参考：KDD Cup 2020 Debiasing 比赛介绍详情 [27]。推荐系统中的偏差问题有很多，除了上述 两种偏差，还有曝光偏差、位次偏差等等 [5][6]。我们团队之前也对位次偏差进行了相 关研究 [7]。而本次竞赛为了更好地衡量推荐系统对历史低热度商品的推荐效果，选手 的成绩主要采用 出一半历史曝光少的点击商品，由于是低热度且有被点击的商品，可以跟更好的评估 偏差问题。本次比赛包含了以下挑战： 42 > 2022年美团技术年货 ● 赛题只提供点击数据，构造候选集时需要考虑选择性偏差问题。 ● 不同商品热度差异大，商品历史点击次数呈现一个长尾分布，数据存在严重的流 行度偏差问题，并且评估指标 NDCG@50_half 用于考察低热度商品的排序质量。 基于 i2i 的建模框架 第一个阶段是基于用户行为数据和商品多模态数据构建 i2i 图，并在该图上多跳游走 生成候选样本。这种方式扩大了商品候选集，更好地近似系统真实候选集，缓解了选 择性偏差。 第二个阶段是根据不同 i2i 关系计算 i2i 候选样本的相似度，从而决定每种 i2i 关系下 候选样本的数量，最终形成候选集。通过不同候选的构造方法，探索出更多有差异的 候选商品，可以进一步缓解选择性偏差问题。 第三个阶段包括基于

关联规则可以看作是一种IF-THEN关系。假设 商品A被客户购买，那么在相同的交易ID下， 商品B也被客户挑选的机会就被发现了。 5 1.关联规则概述 有没有发生过这样的事：你出去买东西， 结果却买了比你计划的多得多的东西？这 是一种被称为冲动购买的现象，大型零售 商利用机器学习和Apriori算法，让我们倾 向于购买更多的商品。 6 1.关联规则概述 购物车分析是大型超市用来揭示商品之间关联的关 键技 顾客，向他们提供报价，以便他们购买第三种商品，比如鸡蛋。 因此，如果顾客买了面包和黄油，看到鸡蛋有折扣或优惠，他们就会倾向于 多花些钱买鸡蛋。这就是购物车分析的意义所在。 7 1.关联规则概述 置信度： 表示你购买了A商品后，你还会有 多大的概率购买B商品。 支持度： 指某个商品组合出现的次数与总次 数之间的比例，支持度越高表示该组合出现 的几率越大。 提升度： 提升度代表商品A的出现，对商品 B的出现概率提升了多少，即“商品 B的出现概率提升了多少，即“商品 A 的出 现，对商品 B 的出现概率提升的”程度。 ?????????? = ????(?, ?) ???? ? ???? = ??????? ??????? ? × ??????? ? ??????? = ????(?, ?) ? 8 1.关联规则概述 置信度：?????????? = ????(?,?) ???? ? 提升度：???? = ??

工作。在此期间，发表了10多篇相关领域的研究 论文，并有10多项相关领域的专利。  业余爱好： 骑行 个人简介 电子邮箱： jim.cheng@ususing.com 5 议程 • 深度学习与商品搜索  矢量化搜索技术简介  基于词语聚类的矢量化  基于用户会话的矢量化  原型评测结果及效果示例 • 深度学习与聊天机器人  聊天机器人简介  聊天机器人主要模块及架构  深度学习探索 =》预报， 五岁 =》 5岁 目前商品搜索中的一些问题 7 人工智能／深度学习在搜索中的应用：网页／电商搜索 • 基于深度学习的（Query, Document）分数是Google搜索引擎中第3重要的排序信 号 • 亚马逊（Amazon／A9)电子商务搜索引擎中， 深度学习还在实验阶段， 尚未进入生产线。 8 • 搜索数值矢量化  传统搜索基于文字匹配， 商品包含搜索词或者不包含搜索词   利用深度学习技术， 将搜索词和商品全部数值矢量化， 将文字匹配转化为数值矢量计算  词语矢量化是进一步进行各种深度学习的基础。 • 矢量化模型介绍  Mikolov(Google员工)等人2013发表了两篇关于Word2Vec的文章， 成为词语矢量化表示的基础  Word2vec的优点：  词语矢量考虑了上下文及词语之间的语义关系  复杂词语可以通过矢量计算来实现（如 Vec（北京）＝

user_scan_product 打开商品主页事件推送 （Event） robot.user_scan_product_enter_session 进入公众号事件推送（Event） robot.user_scan_product_async 地理位置信息异步推送（Event) robot.user_scan_product_verify_action 商品审核结果推送（Event） robot status 发送是否成功。为 ‘success’ 或失败原因 UserScanProductEvent 打开商品主页事件推送的 Event。属性: name value type ‘user_scan_product_event’ key_standard 商品编码标准。 key_str 商品编码内容。 country 用户在微信内设置的国家。 province 用户在微信内设置的省份。 city 用户在微信内设置的城市。 sex 用户的性别，1为男性，2为女性，0代表未知。 scene 打开商品主页的场景，1为扫码，2为其他打开场景（如会话、收藏 或朋友圈）。 ext_info 调用“获取商品二维码接口”时传入的 extinfo，为标识参数。 UserScanProductEnterSessionEvent 当用户从商品主页进入公众号会话时推送的 Event。属性: name value type