营养套餐名称(营养套餐介绍),本文通过数据整理汇集了营养套餐名称(营养套餐介绍)相关信息，下面一起看看。
本文是外卖食品知识图谱系列的第三篇。从技术层面，我们将介绍外卖包裹匹配的技术方案，包括离线和实时包裹匹配的迭代、包裹质量评价方案、包裹匹配的业务应用。
1.后台让用户更方便快捷的购买到满意的外卖商品，是美团外卖一直努力的方向。主要介绍美食商家套餐搭配的技术和应用实践。在外卖餐品的选择过程中，用户一般会考虑单品偏好、组合搭配等因素，选择商家和商品的过程耗时较长。通过套餐匹配技术，基于商家的候选产品，自动匹配优质套餐，轻松解决用户的“选择难”，提高用户的决策效率。
2.业务目标与挑战2.1业务目标目前美团外卖App的套餐匹配应用有很多，包括“今日套餐推荐”、“满减神器”、“套餐匹配推荐”。目前外卖商家匹配自身包裹的能力和意愿较弱，导致外卖包裹底层供应对业务场景和商家的覆盖度较低，无法满足包裹相关推荐分拣应用的需求。因此，外卖套餐匹配的业务目标是为食品商家匹配候选套餐组合，为套餐相关用户提供更丰富的套餐供应。
图1“套餐推荐”、“满减神器套餐推荐”、“美食详情页套餐匹配”应用实例
针对套餐相关用户，我们进行了业务分析：“今日推荐”、“满减神器”等业务匹配条件相对较弱，可以线下获取，因此归类为推荐相关业务。这类商家需要保证商家的套餐覆盖率提高，这样才能保证商家的推荐曝光。详情页，满减加购买等服务匹配条件强，而且是实时的。比如详情页是指用户指定一道菜后的匹配，满减加购买场景是指用户选择一道菜和一个具体的价格区间作为条件。这些都是搭售服务，需要保证套餐覆盖实时场景，这样才能保证套餐搭售标签曝光。包匹配算法的目标是：提高包组合的覆盖率，从而为下游包相关应用提供场景覆盖率高、多样性足够的包组合。保证配套的质量。
2.2商业挑战商品搭配在电商场景中也有很多应用，比如淘宝的购物车搭配，服装搭配，化妆品搭配。购物车匹配是基于用户的购物车和购买的商品进行包装推荐。例如，用户可以在购买额外的牙刷后推荐牙膏。这种方法主要是基于商品的购买行为来推荐相关性，目标不是形成完整的搭配组合。但在外卖美食商品的搭配上，需要考虑整体组合的合理性，而不是单纯以商品是否相关为依据。比如在大量的订单中，有“炒肉番茄鸡蛋汤饭”和“鱼香肉丝番茄鸡蛋汤饭”的组合，但“番茄鸡蛋汤饭”并不构成好的套餐。
服装和化妆品的搭配是以组合为导向的搭配推荐，这类搭配问题的解决方法大致可以分为两类。一类是：搭配模式用于模型选货过程中的剪枝，搭配模式可以通过手册或者模型提前给定。参考文献中的论文4和5采用了这一思路，该方法的特点是通过剪枝策略质量评价模型共同保证搭配效果。另一种是通过端到端的网络参数学习搭配模式的思想。论文6和我们的线下包搭配都采用了这个思路。该方案的特点是搭配效果更加依赖于端到端的模型保障，但同时搭配模型也更加复杂。
套餐匹配的业务场景和匹配条件相当多样，因此套餐匹配方案需要满足各种业务和匹配条件的需求。食品是非标产品，不同商家销售的产品不一样，导致套餐的搭配模式也不一样。比如不同商家卖的宫保鸡丁，数量、口味、配料、价格都不一样，所以宫保鸡丁这道菜的搭配方式也会有所不同。算法搭配必然会产生低质量的搭配结果，而商品的非标准属性更让我们难以衡量美食搭配的好坏。低质搭配可能包括：a .含有不适合单独出售的非美式食物的搭配，如含有礼品、锅碗瓢盆、餐具的搭配。b .匹配结果不符合常规匹配模式，比如两杯饮料，饮料馒头等。为此，我们的解决方案是：
为了解决业务场景和匹配条件多样的问题，我们形成了离线实时的算法匹配框架。对于推荐的相关商家，我们通过线下匹配的方式对套餐候选进行预匹配，然后在业务场景中进行个性化排序。离线配置是基于规则对模型的迭代思想。规则搭配依托知识图谱的产品表征，通过高频聚合规则搭配泛化，生产出相对优质的套餐，保证头部商家的覆盖。模型搭配可以保证搭配质量，通过模型泛化提高包装的场景覆盖率。对于实时匹配的服务，算法会根据服务的匹配条件实时匹配包，进一步提高包在各种实时场景下的覆盖率。为了解决食品产品不规范的问题，我们引入了外卖食品图谱来描绘各个方向的菜品。基于外卖知识图谱，我们提取了菜品丰富的信息表征，如标准菜品、菜品类别、口味、食材、做法等。减少非标产品的影响。为了确保匹配包的质量，我们开发了一个包质量评估模型。总的来说，我们在非标产品的表示、商家表示、包匹配模型、包匹配质量评价等方面做了相关的探索和迭代，形成了如下图2所示的包匹配框架。
图2包匹配框架
3.包裹匹配模型3.1基于地图标签的包裹匹配模型我们面临的一个问题就是外卖商品不规范，食品数据质量差，属性缺失。因此，我们基于商家的菜单、菜谱、产品描述等各种信息源，通过信息提取、关系识别、知识融合等多种方法，构建了以食物为核心的知识图谱，建立了菜品的品类、口味、做法、效果等多维度的表征。
图3外卖食品知识图谱
商家的历史高销量套餐一般可以认为是优质套餐，但中低销量商家的高销量套餐数量较少，难以支持套餐的个性化推荐等应用。依托美食图谱对菜品的语义表达，我们首先尝试了基于知识图谱的直接归纳演绎匹配的方案。比如通过高频点单，可以得出{热菜} {米饭} {汤}是常见的套餐搭配方式，进而为商家推导出“番茄炒鸡蛋、番茄鸡蛋汤、米饭”的套餐搭配。
地图归纳演绎的过程是一个基于匹配模板的高频聚合和概括的过程。我们通过订单聚合、同品牌、同标签、同菜品模板通用化，生成套餐的高质量匹配，同时套餐的商户覆盖度得到显著提升。但是搭配模板的问题是很难在搭配质量和泛化上妥协。强约束的匹配模板可以保证匹配质量，但泛化能力不足，包覆盖率低。如果用单一标签或少量标签来描述搭配项，模式会过于泛化，准确性无法保证。为此，我们引入了基于模型的集合
3.2基于编码器-解码器的包匹配模型用户匹配包也是一个从信息编码到信息输出的过程：用户浏览商家菜单，也就是编码的过程，得到商家和商品信息的整体概观，然后基于这个概观进行包匹配。适合该过程的一个想法是使用编码器-解码器框架来构建包匹配模型。编码器模拟浏览菜单的过程，学习菜单的语义信息。解码器负责匹配包。编码器-解码器是一种深度学习网络框架，已广泛应用于文本摘要、机器翻译、对话生成等应用。其建模方法是通过编码(特征提取)和解码(目标拟合)，学习编码器输入数据到解码器输出数据的映射。常见的编码方式有CNN、RNN、Transformer等结构，解码方式也差不多。
3.2.1基于LSTM的套餐匹配模型问题是从一个商家的所有候选产品集合中抽取若干个产品子集，形成一个便于用户筛选、可以直接下单的套餐。生成包的数据来源主要是商家的候选商品信息(如商品名称、标签、价格、销量等。)，结合就餐价格区间、就餐人数等约束条件，以及用户喜好等信息。首先，我们采用LSTM作为编码器和解码器的神经网络进行包匹配。我们基于地图语义提取商品的语义表示，并将其输入编码器的RNN模型。编码器编码过程类似于用户浏览商家候选产品的过程。编码器输入名称、标签和业务属性(价格、销售量等。)，并通过LSTM提取非标准菜品的特征。如下图4所示，通过嵌入层和CNN池层提取每个商品的名称，并与食品标签、类别嵌入、价格、销量等连续特征拼接，最终作为编码器RNN中每一步的输入。
图4编码器网络结构
解码器在解码过程中一般依靠固定的词典或字典作为候选集，每一步输出候选集中所选词的概率分布。对于包匹配网络，解码器解码的候选集来自编码器输入中的商品列表，而不是固定维度的外部菜单。指针网络是建模这一问题的有效框架。指针网络是Seq2seq的扩展，主要解决候选集不固定的问题。该模型框架已成功应用于文本摘要的抽取，以及旅行商问题和凸包问题等组合优化问题的求解。
搭配解码的具体过程是解码器在每一步从菜品列表中估计目标菜品的概率分布。在第n(n=1)步，这个概率分布向量表示当n-1个商品被选择时，某个商品或终端位被选择的概率。如果对应于终止位的概率高，则该模型倾向于与前n-1个选择的商品形成完整的包装。在解码过程中，结合BeamSearch算法生成TopN结果，保证搭配的多样性。
图5编码器-解码器网络结构
3.2.2包匹配模型的优化包匹配模型的学习目标
为了解决菜品搭配模式因商家而异的问题，模型通过拟合商家的历史订单来学习商家的搭配特征。更主流的训练形式是基于商家的真实订单，采用老师强制的方式进行训练，让模型预测的菜品一点一点与真实订单中的菜品相匹配。老师强迫式的训练方法使得预测菜品的概率趋于0-1分布，但实际菜品通常是个性化、多样化的。比如在Decoder已经输出“宫保鸡丁”菜品的基础上，下一个要选择的主食可以是“米饭”或者“炒饭”。
为此我们对商家历史的包装搭配模式进行统计，计算商品选择的概率分布。解码器以商品选择的这种概率分布为训练目标，用估计的分布计算MSE损失，最小化值来指导模型的训练。老师逼问的另一个问题是，很难引入搭配质量、套餐点击购买行为等外部知识来指导模型训练。因此，我们尝试采用强化学习的思想对其进行改进。在解码过程中的t时刻，我们通过蒙特卡罗算法对完整的包候选进行采样，并计算包候选的搭配质量得分作为奖励，结合MSE损失和搭配质量得分进行模型训练。
包装匹配的约束
包装匹配过程将面临各种业务限制。比如“满减神器”，匹配的套餐需要满足给定的满减价格档位。“智能助手”的匹配过程需要考虑用户选择的过滤条件，比如条件可能是“大米是主食”、“价格在30元以下”。我们使用剪枝策略来确保匹配过程满足约束条件。以“满减神器”的价格区间约束为例，解码器端一步生成候选菜品时，会根据剩余价格筛选出剩余价格区间之外的菜品。如下图6所示，对于商家的A、B、C、D、E菜品，Decoder会利用剩余的价格区间“15元以内”对下一轮菜品A、B、C、D、E进行剪枝，删除超出价格区间的C、D两个菜品。
图6具有价格约束的包
基于注意力网络的包装匹配模型
基于LSTM网络的店内菜品特征提取存在的问题有：第一，商家菜单中的菜品是无序的，而RNN网络是依靠序列来建模的。其次，菜品之间可能存在远距离语义依赖。比如菜单里有没有“米饭”和“馒头”，会影响“宫保鸡丁”菜品的搭配。
为了更好地刻画无序菜单和菜肴之间的依赖信息，我们尝试了基于注意结构的编解码模型。编码器采用分层注意结构提取菜品的语义信息，包括底层单个菜品的注意和菜品间的注意。对于单个菜品级别的关注，我们使用多头关注结构得到菜品名称在词维度上的语义向量，多头关注得到菜品标签在菜品标签上的语义向量。对于菜品的交易属性，我们采用多层全连接网络来提取交易特征的语义向量。
最后将菜名的语义向量、菜品标签的语义向量、交易特征的语义向量进行拼接，通过整个连接层的归一化得到菜品的语义向量。对于菜品之间的关注层，我们采用多层多头关注，从这家店的菜单语义向量列表中获取这家店的菜单级语义向量。该模型的解码器部分也使用多头注意力进行解码。输入信息包括用户偏好信息、历史时刻的解码输入、价格约束和其他上下文信息。模型输出每步商家菜单中所选菜品的概率分布。在解码过程中，我们对用户偏好信息的语义向量和商家菜单级别进行了多头关注，并在套餐匹配过程中考虑了用户的用餐偏好。
图7基于关注度的包匹配网络
3.2.3套餐匹配模型分析我们认为，商家的优质匹配可以体现在订单的销量上。一种评估方法是评估模型输出的包裹在商家真实高销量包裹上的覆盖率。通过线下和线上的评测，我们发现这种模式能够贴合商家的高销量套餐。人工评测部分，我们把算法匹配的包裹和真实的单单混合起来，让人工去分辨。发现手册无法区分模型匹配订单和真实订单之间的差异。同时，模型具有良好的泛化能力，显著提高了套餐对商户和具体业务场景的覆盖。
我们分析了模型输出的食物表示向量，以了解模型的套餐匹配模式。TSNE对载体进行了简化和聚类。通过对聚类图的观察，发现“主菜”、“小吃”的菜肴都聚在了一起。可以看出，该模型识别了“主菜”、“菜肴”、“小吃”等类别的语义属性。并用这个语义来搭配套餐。
3.3实时套餐匹配模型采用离线匹配生成套餐候选的方案可以满足推荐业务的需求，但部分匹配业务场景仍缺乏覆盖。比如目前线下套餐对菜品的覆盖率较低，也就是菜品详情页等应用只露出部分PV匹配模块。
一种解决方案是通过离线匹配来提高食品的覆盖率，但这种解决方案的存储成本较高，所以我们采用实时匹配的方案。生成一个实时方案的难点在于不仅要保证包的质量，还要满足各种匹配条件，最重要的是保证实时性。起初，我们将离线匹配模型应用于在线实时匹配，发现存在性能瓶颈。因此，我们简化了线下模型。化简的思路是将选菜的过程简化为选菜类别的过程，将菜品维度的搭配关系简化为菜品类别的搭配关系，从而减少整个解空间。如下图8所示，具体流程如下：
匹配模板挖掘：通过商家的历史订单挖掘商家高销量的品类层面的匹配关系，即匹配模板，如“热食主食”。搜索剪枝：匹配选择菜品时，根据匹配模板中菜品的类别选择菜品。例如，在上面的例子中，首先选择“热菜”，然后选择“主食”。在选择的过程中，根据用户的实时需求对整个选择过程进行剪枝，比如指定所需菜品、指定价格、指定主食种类等约束条件。筛选：匹配完成后，对候选匹配结果的质量进行评估。基于性能考虑，采用树模型进行质量评估，选取前N名的匹配结果。
图8实时包匹配和离线包匹配
4.包装质量评价销量高的订单中存在匹配质量略低的包装。再加上模型泛化的精度问题，匹配模型很容易生成质量较差的匹配组合。下图9右侧，模型生成的最后两个包的匹配不是特别合理。为了进一步保证用户体验，我们建立了套餐匹配质量模型，统一评估套餐质量。包裹质量分类模型将包裹匹配质量转化为分类问题。由于套餐组合是由几道菜组成的，所以我们基于菜名和标签来构造菜名的表示，然后通过全局关注来实现对菜名之间重要性的考虑。同时，我们添加了商品总数、服务总数等全局特征来表示整体搭配信息。模型结构见下面的图9:
图9包装质量分类
我们对我们套餐的搭配质量进行了细粒度的分级：极差、差、一般、良好，四大类有着有序的关系(极差、中等好)。对应的模型有四个输出值，每个输出值表示该比特为1的概率，例如“极差”表示“1，0，0，0”，“差”表示“1，1，0，0”，模型的损失采用对铰链损失函数，避免了前节点为0，后节点为1的情况，保证了模型的准确性。包的匹配质量得分是四个输出节点的和平均值，这使得预测值更可信。模型的结构与一般分类模型大体一致，目标函数如下：
图10包装质量分类
在建立套餐质量模型的过程中，负样本主要来自用户反馈的不良案例，以及人为构建不合理搭配模式版本筛选出来的套餐。这种方法存在一些问题：不良案例的反面教材和技巧
因此，我们引入一个预训练任务来学习历史订单的搭配模式，并在包装搭配质量模型中引入更多的搭配先验知识。预训练过程如下图11所示。我们在单个组合中随机屏蔽一个盘子，然后训练Transformer模型来恢复被屏蔽的盘子。在这个过程中，考虑一些次优套餐的合理性(比如宫保鸡肉饭可乐、宫中掩掉鸡丁、生成器生成“鱼香肉丝”，可以理解为次优套餐)，我们在最终损失函数中加入一个判别器来预测菜品与目标菜品的相似度，来解决这种情况。最终使用预训练的参数初始化包匹配质量分级模型，并基于少量人工标注的语料对模型进行优化。
图11包装质量分类
5.包装匹配的应用及前景。目前，外卖已经打造了多个以套餐为核心供应的产品。“今日套餐推荐”帮助用户解决不知道吃什么、买的慢等问题。店铺页面中的“满减神器”和“单品匹配推荐”解决了用户下单难、匹配难等问题。为了解决各种业务场景下的套餐匹配问题，套餐匹配算法不断优化覆盖范围、匹配质量和匹配多样性，为业务提供了重要的技术和数据支持。线下套餐匹配用于“满减神器”、“今日套餐推荐”等服务，显著提升套餐商户覆盖。实时套餐匹配用于“菜品详情页套餐匹配”等服务，取得良好的业务收入。
后续工作，一方面将继续优化菜品知识图谱的构建，完善对非标菜品的刻画，通过引入图像等多模态数据进一步提高数据的精准度和覆盖率，通过构建场景知识图谱更好地刻画用户的需求和供给。另一方面，我们会探索基于场景的套餐搭配：目前我们在基于场景的套餐搭配上做的工作比较少，用户在不同的场景下会有不同的套餐需求，比如在寒冷的天气更喜欢吃火锅套餐，腊八节喜欢吃粥套餐，想在不同的地方吃当地的特色套餐。接下来，我们将探索场景化套餐的搭配，针对节气、节日、人群等场景的搭配套餐，更好地满足用户个性化、场景化的用餐需求。
图12带有相关应用程序的包
6.参考Vinyals，Oriol，Meire Fortunato和Navdeep Jaitley。指针网络。神经信息处理系统进展。2015.参见Abigail、Peter J. Liu和Christopher D. Manning。使用指针生成器网络进行摘要。arXiv预印本arXiv:1704.04368 (2017)。龚，晶晶，等。基于指针网络的端到端神经句子排序。arXiv预印本arXiv:1611.04953 (2016)。韩，辛彤，等。用双向lstms学习时尚兼容性。第25届ACM国际多媒体会议录。2017.Alashkar，Taleb等。示例-规则引导的深度神经网络用于化妆品推荐。AAAI。2017.陈，文，等。Pog:阿里巴巴时尚网上服装推荐的个性化服装生成。第25届ACM SIGKDD知识发现数据挖掘国际会议录。2019.拉什、亚历山大m、苏米特乔普拉和杰森韦斯顿。抽象句子摘要的神经注意模型。arXiv预印本arXiv:1509.00685 (2015)。保卢斯，罗曼，熊，和理查德索契。一种用于抽象概括的深度强化模型。arXiv预印本arXiv:1705.04304 (2017)。参见Abigail、Peter J. Liu和Christopher D. Manning。抓住要点：指针生成器网络概述。arxiv预印本arxiv: 1704.04368 (2017)。7.作者简介瑞宇、文彬、杨林、毛迪，均来自美团外卖技术团队。
|本文由美团技术团队制作，版权归美团所有。欢迎转载或使用本文内容用于分享、交流等非商业用途。请注明“内容转载自美团技术团队”。未经许可，不得复制或商业使用本文。对于任何商业活动，请发送电子邮件到[电子邮件保护]进行授权。
版权声明：本文内容由作者提供，文中观点仅代表作者本人。本站仅提供信息存储空间服务，无所有权及相关法律责任。如发现本站涉嫌抄袭侵权/非法内容，请发邮件至@qq.com举报。一经核实，本网站将被立即删除。如转载请注明出处：https://www.shuotui.com/159023.html.
谈赞美(0)嘴唇起水泡，上火，大多是肝胃火引起的。平时经常生气，烦躁，熬夜，抽烟，喝酒，吃辣等原因。也可能是脏腑功能失调、阴虚内热导致的脾胃功能失调。
？要知道每年的3月8日，年满18岁的小仙女们都可以享受这一年一度的半天假期。可能还有很多工作没有给女性，你可以接《劳动法》去面对这些黑心老板。因为女人
今天(8月12日)，官方宣布将与奥运冠军“军神”吕小军展开重量级合作。官方正文如下：《永劫无间》将联合奥运冠军@举重吕小军合作。感谢大家对游戏的认可！举足轻重的举重传记。
仓库管理系统在工厂和企业中应用广泛，那么WMS在工厂中起什么作用呢？让我们来看看韩成WMS专家是如何解释的：1 .信息传递。企业的各个部门需要及时了解仓库中的货物信息，WMS系统
因为过年，库存一直拖到今天。请原谅我！1.我是菩萨。作者：麦田里的雪人。2.不要碰瓷。作者：北红刺。作者：修土城。作者：Mee
主题：吐槽是什么意思？技能教学适合人群：大家小贴士：“吐槽”简单来说就是“用搞笑的味道拆解台湾”，但与我们通常所说的相比，“吐槽”更具技术性和
蜗牛冬眠，通常躲在角落、缝隙或树洞里。足腺分泌出一些粘液，壳口覆盖着防风膜，使它们能熬过整个冬天。蜗牛冬眠是因为缺少食物，而不是为了避寒。蜗牛冬眠吗？为
竹子是草，不是树。竹子是一种高大的树状草本植物，有木质茎干。在生物学上，它们与水稻、小麦等许多重要的粮食作物是“亲戚”。从这个分类也可以看出，竹子和树木并不是“一家人”。是草，不是竹。
社保卡什么时候可以在全国范围内任意使用？我们的二代社保卡还是三代社保卡，他一共两个账户。其中一个账户是金融账户，是普通银行卡账户，有银联标识。
更多营养套餐名称(营养套餐介绍)相关信息请关注本站，本文仅仅做为展示！详情价格咨询客服！
发布评论