阿里妈妈精准定向广告 Rank算法创新之旅 牟娜 阿里妈妈 ’ alt=‘OCR图片’/> 极客邦科技会议推荐2019 ArchSummit 全球架构师峰会 大会：7月12-13日培训：7月14-15日 ArchSummit 北京 全球架构师峰会 大会：12月6-7日培训：12月8-9日 QCon 全球软件开发大会 大会：5月6-8日培训：5月9-10日 QCon 广州 全球软件开发大会 6月 2017-至今，阿里妈妈定向广告&信息流广告Rank团队 TABLE OF CONTENTS 大纲 阿里妈妈精准定向广告业务简介 精准定向广告排序算法创新之旅 ’ alt=‘OCR图片’/> TABLE OF CONTENTS 大纲 阿里妈妈精准定向广告业务简介 精准定向广告排序算法创新之旅 ’ alt=‘OCR图片’/> 阿里妈妈精准定向广告业务简介 Banner广告 Banner广告 首页猜你喜欢 购物链路：购物车、支付成功、订单列表、确认收货… 内容化广告：直播、图文等… $$ p (y = 1 \mid a d, s c e n e, u s e r) $$ 用户没有主动的query查询 ’ alt=‘OCR图片’/> TABLE OF CONTENTS 大纲 阿里妈妈精准定向广告业务简介 精准定向广告排序算法创新之旅 ’

QCon # 搜狗深度学习技术在广告推荐领域的应用 舒鹏 ## 促进软件开发领域知识与创新的传播  关注InfoQ官方信息 及时获取QCon软件开发者大会演讲视频信息  ## 深度学习在搜狗搜索广告的一些应用 文本相关性计算 Sogou Inc ## 深度学习在搜狗搜索广告的一些应用  ## 深度学习在搜狗搜索广告的一些应用 |方向|用途|相关技术| |---|---|---| |图像理解|图片物料推荐|CNN| |文本相关性|广告召回、创意生成|Word2Vec、CSR、LSTM|

模型。此外，该团队 $ ^{[20]} $ 提出融合基于 BERT 的 Query-Doc 相关性和 Query-Sentence 相关性来优化文档排序任务的方案。为了优化检索性能和效果，Bing 广告团队 $ ^{[21]} $ 提出一种双塔结构的 TwinBERT 分别编码 Query 和 Doc 文本。2019 年 10 月，Google 在其官方博客介绍了 BERT 在 Google 搜索排序和精选摘要（Featured 根据智能配送的这三层体系，配送算法团队也针对性地进行了运作。如上图所示，右边三个子系统分别对应这三层体系，最底层是规划系统，中间层是定价系统，最上层是调度系统。同样非常重要的还包括图中另外四个子系统，在配送过程中做精准的数据采集、感知、预估，为优化决策提供准确的参数输入，包括机器学习系统、IoT 和感知系统、LBS 系统，这都是配送系统中非常重要的环节，涉及大量复杂的机器学习问题。 而运筹优化则是调度系统、定价 次就不好。另外，运行时间一定要短。 |需求|优化效果稳定|运行时间短| |---|---|---| |原有问题|随机搜索策略的不确定性|问题结构特征利用不足，迭代搜索效率低| |改造方案|启发式定向搜索|基于知识的定制化搜索| 核心设计思想 在求解路径规划这类问题上，很多公司的技术团队，都经历过这样的阶段：起初，采用类似遗传算法的迭代搜索算法，但是随着业务的单量变大，发现算法耗时太慢，根本

Bidding，实时竞价，允许广告买家根据活动目标、目标人群以及费用门槛等因素对每一个广告及每次广告展示的费用进行竞价。 - DSP: Demand Side Platform，需求方平台，允许广告客户和广告机构更方便地访问，以及更有效地购买广告库存，因为该平台汇集了各种广告交易平台的库存。 互联网里有成千上万的广告主，他们急需推广自己的产品，寻找优质的媒介和精准的目标用户，优化广告投放策略，提高投入产出 的讲，DSP就是广告主服务平台，广告主可以在平台上设置广告的目标受众、投放地域、广告出价等等。 ## SSP 供应方平台 Supply Side Platform 互联网里也有成千上万拥有丰富媒体资源和用户流量的网站，他们急需把庞大的流量变现来发展壮大，同时还希望每一个流量都能够达到最大的收益。简单的讲，SSP就是一个媒体服务平台，站长们可以在SSP上管理自己的广告位，控制广告的展现，设置补余等等。 复杂的出价算法与逻辑 ## 100 毫秒内要做些什么 - 竞价请求解析（JSON 或 Google Protobuf） 根据广告位属性过滤活动 根据客户端信息过滤活动（浏览器、操作系统类型等） • 根据地区过滤活动 • 查询Cookie Mapping得到访客在DSP系统的唯一ID 根据用户看过广告的频次过滤活动 根据访客的人群属性过滤活动 根据活动的出价选择胜出的活动 - 其他更细致的过滤条件 ##

大规模异构图召回在美团到店推荐广告的应用 美团搜索粗排优化的探索与实践 美团外卖推荐情境化智能流量分发的实践与探索 大众点评搜索相关性技术探索与实践 美团 SemEval2022 结构化情感分析跨语言赛道冠军方法总结 检索式对话系统在美团客服场景的探索与实践 端智能在大众点评搜索重排序的应用实践 对话摘要技术在美团的探索（SIGIR） 异构广告混排在美团到店业务的探索与实践 提升资源利用率与保障服务质量，鱼与熊掌不可兼得？ 971 标准化思想及组装式架构在后端 BFF 中的实践 992 外卖广告大规模深度学习模型工程实践 | 美团外卖广告工程实践专题连载 1013 数据库全量 SQL 分析与审计系统性能优化之旅 1048 数据库异常智能分析与诊断 1059 美团外卖广告智能算力的探索与实践（二） 1079 Linux 下跨语言调用 C++ 实践 1101 GPU 在外卖场景精排模型预估中的应用实践 在外卖场景精排模型预估中的应用实践 1130 美团集群调度系统的云原生实践 1149 广告平台化的探索与实践 | 美团外卖广告工程实践专题连载 1161 数据 1193 Kafka 在美团数据平台的实践 1193 美团综合业务推荐系统的质量模型及实践 1218 业务数据治理体系化思考与实践 1233 数据治理一体化实践之体系化建模 1263 运维/安全 1277

e96a5a068e384c4f156c0706959eb/p17_1.jpg) 美团外卖商家端业务形态 美团外卖商家端业务围绕数百万商家，在 PC 和 App 上分别提供了交易履约、运营、广告、营销等一系列功能，且经常有外投 H5 的场景（如外卖学院、商家社区、营销活动等）。在这种多形态的业务场景下，如何保障多端体验的一致性，以及如何提升多端迭代的效率，一直是商家端产研关注的重点。 #### 将会变得越来越麻烦。 其次，PCH 会引发命名空间被污染的问题，因为 PCH 引入的头文件会出现在你代码中的每一处，而这可能会是多于的操作，比如 iAd 应当出现在一些与广告相关的代码中，它完全没必要出现在帮助相关的代码中（也就是与广告无关的逻辑），可是当你把它放到 PCH 中，就意味组件里的所有地方都会引入 iAd 的代码，包括帮助页面， 这可能并不是我们想要的结果！ 如果你想更深入的了解 PCH se_protect'); ## 精准的 Debug 能力 在 Debug 阶段加上一个注解 @Flap('pageId')，就会自动尝试转 DSL。如果该页面非常独立，且语法没有太花哨，则直接就能看到转换完成的字样。这个就说明该页面用到的语法既支持 Dart 又支持 Flap，不需要做任何修改。如果出现错误，则会在终端下精准打印出错误的位置。在此功能支持之前，基本都是

UAS-点评侧用户行为检索系统 ..... 57 美团DB数据同步到数据仓库的架构与实践 ..... 66 不可不说的Java“锁”事 ..... 74 境外业务性能优化实践 ..... 91 美团广告实时索引的设计与实现 ..... 106 大众点评账号业务高可用进阶之路 ..... 123 美团容器平台架构及容器技术实践 ..... 135 美团即时物流的分布式系统架构设计 ... 。 ## 运营资源 简单而言，运营资源可以理解为App中经常变动的一些广告、运营活动等等，譬如下图中电影首页顶部的Banner位，就是一个典型的运营资源。对于这类运营资源，它们有如下明显特征： 1. 时效性，只在一定时间范围内显示在C端固定位置。 2. 城市强相关，这类运营资源往往是基于LBS类服务，每个活动、广告都只会出现在固定的某些城市（或区域）。 ![Image](/uploads 兴趣的同学投送简历到 yong.you@dianping.com。 # LruCache在美团DSP系统中的应用演进 作者：王粲 崔涛 霜霜 ## 背景 DSP系统是互联网广告需求方平台，用于承接媒体流量，投放广告。业务特点是并发度高，平均响应低（百毫秒）。 为了能够有效提高DSP系统的性能，美团平台引入了一种带有清退机制的缓存结构LruCache(Least Recently Used

Kimi Chat 就不再使用了。 ## 【功能亮点】 智能搜索：搜索实时信息，迅速整合，给出详尽回答，并提供搜集到的信息来源，让对话兼具丰富性和准确性。 - 高效阅读：长文快速摘要，打破语言壁垒，帮你精准理解文献书籍、长篇报告、复杂合同、网页长文，提供深入洞察和分析。 - 专业解读文件：无论是金融分析、法律咨询还是市场调研，Kimi都能以专业水准提供支持。超长文档、多个文件，都可以快速摘要、翻译、 seat-based 或者 usage-based 吗？ 杨植麟：AGI 帮你完成的每个任务对应的价值不一样。它可能类似一个外包，按照每个任务定价。除此之外，在任务解决过程中，广告肯定还会扮演重要角色，基于个性化互动和对话的行为，广告的变现效率可能比现在要高很多。 海外独角兽：假如 GPT-4.5、Claude-3、Gemini-2.0 的训练成本是 3 亿美元左右，再往后到 2025 年下一代模型的 。最后一个 top-down 的框架，把这些东西去整合起来。 张鹏：其实某种程度上我感觉你是在一个大框架下，在一个组织里，模拟不同的方向上能否涌现合适的创新，通向那个 AGI 的目标。今天我们无法精准定义哪一条路，因为里边还有大量不确定的东西， 所以它是需要一些涌现的。所以这个时候需要组织支持这种涌现，对吧？ 杨植麟：是的，我觉得这个是非常好的理解。 比如我们可以去看 Transformer

.... 48 2.6 文本文件编辑命令 ..... 53 2.7 文件目录管理命令 ..... 63 复习题 ..... 69 第3章 管道符、重定向与环境变量 ..... 71 ## 目录 3.1 输入输出重定向 ..... 71 3.2 管道命令符 ..... 74 3.3 命令行的通配符 ..... 76 3.4 常用的转义字符 ..... 78 3.5 重要的环境变量 命令，它们与系统工作、系统状态、工作目录、文件、目录、打包压缩与搜索等主题相关。学习这些最基础的 Linux 命令，可以为今后学习更复杂的命令和服务做好必备的知识铺垫。 的 5 种模式，让读者通过实验切实理解每个重定向模式的作用，解决输出信息的保存问题；然后深入讲解了管道命令符，帮助读者掌握命令之间的搭配使用方法，进一步提高命令输出值的处理效率；随后通过讲解 Linux 系统命令行中的通配符和常见转义符，让您输入的 文件目录管理命令。 本章首先介绍系统内核和 Shell 终端的关系与作用，然后介绍 Bash 解释器的 4 大优势并学习 Linux 命令的执行方法。经验丰富的运维人员能够通过合理地组合适当的命令与参数，来更精准地满足工作需求，迅速得到自己想要的结果，还可以尽可能地降低系统资源消耗。 本书精挑细选出读者有必要首先学习的数十个 Linux 命令，它们与系统工作、系统状态、工作目录、文件、目录、打包压缩与搜索

ents/8/2/d/9/82d92d1a0d1d8addd115233c124fe2a5/p12_1.jpg) CSV, 28.78 KB ## DeepSeek R1 详细展示长思维链，精准提取关键指标“幸存率”，分析多个因素特征对幸存率的影响，结合历史背景对数据及规律进行验证，并敏锐察觉数据异常，提出了异常处理建议。 ### 2. 关键规律分析 ## (1) 舱位等级（Pclass）与幸存率 这可能是因为家人之间相互照应 这些发现揭示了社会地位（舱位等级）、性别、年龄等因素对生存机会的重要影响。救生设施的分配和使用可能存在偏向性，反映了当时的社会价值观和规范。 ### Kimi k1.5 能够精准分析关键指标生存率，但对特征提取不完整，仅能识别较为浅层的数据关联，分析能力相对较弱。 ## 模式识别 1. 女性和儿童优先： 数据显示，女性和儿童的生存率显著高于男性和成年人，这符合泰坦尼克 这些结论与历史记录和常识相符，进一步验证了泰坦尼克号沉船事件中的救援原则和乘客特征对生存率的影响。 ## 结论 ☐ DeepSeek R1与Open AI o3mini的数据分析能力相当，且领先其他两个模型，均能够精准抓取数据核心指标并做统计，找到各特征与核心指标的关联，其中R1分析逻辑更加清晰严谨，而o3推理更加高效； ☐ Kimi k1.5推理逻辑清晰但分析能力相对较弱，Claude 3.5 sonnet能够提供分析思路但没有明确结论。