标注速度慢 ✗ 标注成本高 x 样本分布不均匀 ✗ 隐私保护 手里面只有5张图片， 怎么搞出来一个效果还 不错的模型？ ### 1. 方案复杂 流程长、环节多： 推荐场景: 召回 + 粗排 + 精排 + 多样性/冷启动 实人认证：卡证识别 + 人脸检测 + 活体检测 + 人脸识别 ## 问题: ✗ 方案复杂→周期长/见效慢 ✗ 细节多→难免踩坑 ## 模型构建: 1/d/a/d/1dad8f36ab12a6f672a7eda43f921b9d/p13_2.jpg) 推荐请求 PAI-Rec — 推荐引擎 PAI-ABTest A/B流量划分 BE召回/Hologres x2i hot vec 排序 在线流程 粗排 精排 重排 PAI-EAS — 模型推理 model1 model2 推荐日志 MaxCompute Flink PAI-Studio一建模平台 召回模型 EasyRec GraphLearn 排序模型 Alink 模型训练评估 离线流程 ## 标准化: Standard Solutions 智能推荐解决方案 > PAI-REC 推荐引擎 PAI-REC平台 PAI-REC 推荐引擎 PAI-REC 配置中心 自动化降级 Pipeline1 Pipeline2 AB实验 负载均衡 多路召回 拉取配置

通过数据本地化处理、边缘节点离线自治，解决了云和边缘之间的网络可靠性和带宽限制的问题。 → 通过大幅优化边缘组件的资源占用(二进制大小约46MB，运行时内存占用约10MB)，解决了边缘资源的约束问题。 → 通过在云边之间构建的双向多路复用网络通道，解决了从云端管理高度分布的海量节点和设备难的问题。 南向支持对接物联网主流的通信协议（MQTT，Bluetooth，Zigbee，BACnet等），解决了异构硬件接入难的问题 ## Why 2019) → 云端和边缘端的开源实现。 → 使用 kubectl 从云端向边缘节点部署应用。 → 使用 kubectl 从云端对边缘节点的应用进行配置管理和密钥管理。 → 云和边缘节点之间的双向和多路网络通信。 → Kubernetes Pod 和 Node 状态通过云端 kubectl 查询，从边缘端收集/报告数据。 → 边缘节点在脱机时自动恢复，并重新连接云端。 → 支持IoT设备通过Device

·负责全平台数据仓库和数据产品建设 ·2011年 百度电子商务事业部 ·有啊商城的开发 ·2010年毕业于中科院计算所 ## 美国点评 技术团队 ## Outline ·美团点评酒旅业务简介 ·基于用户画像的召回策略演进 ·基于L2R的排序策略优化 ·从海量大数据的离线计算到高并发在线服务的推荐引擎架构设计 ·推荐在美团点评酒旅的应用实践 ## 人工智能应用 |CriticalDigital Wo e7ae6238e03c8/p13_6.jpg) ## 基于用户画像的召回策略演进 ## 热销策略 基于Deal所在城市统计分城市热销  |分类|场景|召回策略| |---|---|---| |本地需求|常驻城市=浏览城市 (北京 [Image](/uploads/documents/f/1/e/8/f1e818b436be25cd166e7ae6238e03c8/p21_1.jpg) 情侣 有车 古北水镇 九华山庄 南山滑雪场 ## 召回策略演进过程 本异地热销策略 历史行为强 相关 · 浏览未购买 · 收藏未购买 Location-Based - 区域热门消费 - 区域热门购买 协同过滤 • Item CF •

0到1搭建美团DSP投放平台，具备丰富的大规模计算引擎的开发和性能优化经验。 霜霜，2015年6月加入美团，任职美团高级工程师，美团DSP系统后端基础架构与机器学习架构负责人，全面负责DSP业务广告召回和排序服务的架构设计与优化。 ## 招聘 美团在线营销DSP团队诚招工程、算法、数据等各方向精英，发送简历至cuitao@meituan.com，共同支持百亿级流量的高可靠系统研发与优化。 # Netty堆外内存泄露排查盛宴 HTTP请求重度依赖DNS，DNS劫持、移动端网络不稳定使建连失败，以及公网链路质量差等因素，导致移动端的网络成功率一直不高。HTTP 2.0可以通过SSE、WebSocket等方式与服务端保持长连接，并且可以做到请求多路复用，但HTTP 2.0对运维、前端、后端的改造成本非常高。基于此背景美团自研了Shark服务。一种“代理长连接”的模式，主要用于解决移动设备网络通信质量差的问题。 - Shark在国内和境外部署 设计分解 设计阶段可分解为以下子需求。 ## 实时索引 广告场景的更新流，涉及索引字段和各类属性的实时更新。特别是与上下线状态相关的属性字段，需要在若干毫秒内完成更新，对实时性有较高要求。 用于召回条件的索引字段，其更新可以滞后一些，如在几秒钟之内完成更新。采用分而治之的策略，可极大降低系统复杂度。 - 属性字段的更新：直接修改正排表的字段值，可以保证毫秒级完成。 - 索引字段的更新：涉及

比赛冠军技术方案及在美团的实践 113 ICRA 2020 轨迹预测竞赛冠军的方法总结 132 KDD Cup 2020 AutoGraph 比赛冠军技术方案及在美团的实践 141 KDD Cup 2020 多模态召回比赛亚军方案与搜索业务应用 161 CIKM 2020 | 一文详解美团 6 篇精选论文 179 MT-BERT 在文本检索任务中的实践 192 美团无人车引擎在仿真中的实践 204 解读 215 WSDM Cup 2020 检索排序评测任务第一名经验总结 225 美团内部讲座 | 清华大学莫一林：信息物理系统中的安全控制算法 235 KDD Cup 2020 多模态召回比赛季军方案与搜索业务应用 252 对话任务中的“语言－视觉”信息融合研究 267 ICDM 论文：探索跨会话信息感知的推荐模型 278 自然场景人脸检测技术实践 289 技术解析 | 针对特征的处理逻辑，我们抽象出两个概念： Operator：通用特征处理逻辑，根据功能的不同又可以分为两类： - IO OP：用处理原始特征的获取，如从 KV 里获取数据，或者从对应的第三方服务中获取数据。内置批量接口，可以实现批量召回，减少 RPC。 • Calc OP：用于处理对获取到的原始特征做与模型无关的逻辑处理，如拆分、判空、组合。业务可以结合需求实现特征处理逻辑。 通过 IO、计算分离，特征抽取执行阶段就可以进行 IO

，在算法上提供从召回到排序的全系统优化方案，在工程上提供离线、近线、在线的全流程解决方案。 ## 目录 美团超大规模模型场景简介 - 超大规模机器学习MLX ✓ MLX平台目标 ✓ MLX平台架构 - 模型场景应用 召回模型 排序模型 ## 目录 美团超大规模模型场景简介 - 超大规模机器学习MLX ✓ MLX平台目标 MLX平台架构 模型场景应用 召回模型 排序模型 (仅限平日10:00-14: √百亿级别的训练数据 ✓千亿级别的模型特征 ✓秒级实时的模型反馈 ## 目录 美团超大规模模型场景简介 - 超大规模机器学习MLX ✓ MLX平台目标 ✓ MLX平台架构 模型场景应用 ✓ 召回模型 排序模型 ## 超大规模模型的有效性 ## • VC维理论 描述模型的学习能力：VC维越大模型越复杂，学习能力越强 ✓ 机器学习能力 = 数据 + 特征 + 模型 • 数据 ✓ 海量数据：美团的亿级用户、千万级POI 本； - 支持Online Learning，提供从近线到在线的模型数据通路； - 提供从召回到排序全流程的模型解决方案，为业务提供最佳实践； • 提供系统的平台化工具，为用户提供易用的界面操作； ## MLX平台架构 应用场景 | 推荐 | 搜索 | 广告 解决方案 | 排序模型 | 召回模型 | MLX | 参数服务器 | 模型计算引擎 | 训练Worker | 流式拼接框架

a49fd8b2d598618d8439fe3a7db198e/p12_1.jpg) ✓多级异常容忍能力，自适应，层级化自治 · 动态参数，自适应 • 预测，online结合nearline召回 能屈能伸： ✓高效简化版本，实现过载兜底 ✓周边极致优化，无短板 Best Effort模式  压测 转变 ## 人工调整系统参数 各类算法策略参数 ● 算力 (CPU, 内存, 实例数) ● 并发数 ● TTL时间，超时等 ● 召回数, 截断数等  ## 自动调整系统参数 jpg) ● 算力 (CPU, 内存, 实例数) ● 并发数 ● TTL时间，超时等 ● 召回数, 截断数等 ## Feed信息流：能屈能伸，Online召回+Nearline召回 • 权衡：矛盾 or 兼顾？ • 召回（获取推荐候选集），需要更弹性？ • 方案：Online+Nearline召回，动态结合 预测，缓存，异步化，触发机制 ![Image](/uploads/docume

2、深度学习在视频内容理解中的应用——召回 3、深度学习在语义搜索中的应用——语义表征 4、深度学习在排序中的应用——个性化表征 ## 视频搜索的挑战 1、非结构化/无组织——召回难度 2、短文本/信息不充分——语义难度 3、海量短视频——用户选择困难 优酷视频搜索深度学习应用领域： 1、基于视频内容理解的召回 2、语义模型/语义表征 3、个性化表征 ## 内容理解——基于视频内容的召回 ## ## 基于视频内容召回     ## 基于标题以出现召回不足 视频 播单 自频道 最新发布 最多播放 ![Image](/uploads/documents/2/4/f/8/24f89f2bb1c0f9c7ff9fb33f39a12c8a/p6_5