美团到店综合业务场景下的知识图谱构建与应用实践

1. 美团到店综合业务场景下的知识图谱构建与应用实践美团到店平台技术部 - 李翔

2. 目录 CONTENT 01 美团到店综合业务场景介绍 02 到店综合知识图谱的构建 03 到店综合知识图谱的应用实践 04 到店综合知识图谱的展望

3. 01 美团到店综合业务场景介绍

4. 美团到店综合业务美团到店综合业务涵盖了本地生活中的休闲玩乐、丽人、亲子、结婚等众多行业 . . . . . . 到店综合部分行业示例

5. 到店综合业务场景下的知识图谱深耕本地生活下的细分行业，不断提升供需匹配效率起心动念用户决策路径考虑形成场景化诉求考虑具体方案 “周末陪宝宝去哪儿玩？” “考虑玩的方案户外烧烤” 场景需求选择评估交易购买履约服务选择自己喜欢的服务/商品在平台交易以换取服务/商品商品到货服务完成具象需求商户场景需求商品以用户需求节点为中心，链接行业知识、商户、商品和内容... 具象需求到店综合知识图谱（GENE，GEneral NEeds net）内容

6. 到店综合知识图谱的挑战 1 需求多元用户需求多样化，如何更好的理解和表达用户在不同行业的多元需求？多层次多维度的图谱体系设计行业复杂涵盖百余个本地生活行业，行业知识专业且差异大，如何在多行业上快速高效构建知识图谱？高效和可复用的挖掘流程和模型少样本学习进一步提升人效行业图谱贴近业务应用，对图谱节点和关系准确性要求极高，如何保证图谱的质量？多源多模态数据利用多方法联合互补 2 3 质量要求高

7. 02 到店综合知识图谱的构建

8. GENE·到店综合知识图谱体系设计

9. 图谱各层构建涉及的主要任务一览行业体系层需求对象层具象需求层场景要素层场景需求层行业类目树构建对象及属性挖掘具象需求挖掘场景要素挖掘场景需求组装类目属性挖掘同义和上下位关系构建具象需求-属性关系构建场景要素-具象需求关系构建场景需求判别供给关联供给层

10. 行业体系层构建 - 类目树构建和属性挖掘行业类目树构建以沉淀的行业类目信息为基础，结合人工定义完善类目属性挖掘人工定义 + 业务策略消费频次淡旺季距离偏好价格分布复购周期 ......

11. 行业体系层构建 - 类目节点和供给的关联 • 转化为分类问题，基于多源异构数据建模，充分利用供给信息 • 基于商户名、商品名、商品详情、商户内容（UGC）、商户画像的多源数据融合判别浴场 0.92 Softmax FC Layer … 私汤 0.03 Self-Attention BERT Doc2vec Embedding Fixed Position Embedding 多源数据 FC Layer 商户名商品名+商品详情商户UGC One-Hot Vector 商户画像

12. 需求对象层构建 - 对象及属性挖掘粗粒度挖掘：获取对象和属性维度，确认需求对象层的结构关键词抽取相关词聚类维度提炼词频 / TF-IDF / TextRank 关键词W2V表示对象和属性维度提炼噪声词BERT过滤 DBSCAN密度聚类各维度种子词归纳

13. 需求对象层构建 - 对象及属性挖掘细粒度挖掘：无监督扩充 + 有监督标注，少样本条件下对象和属性节点的高效挖掘同义和上下位关系构建：统计特征 + BERT

14. 具象需求层构建 - 具象需求挖掘具象需求的候选生成：基于Pattern生成 + 基于短语挖掘生成，优势互补基于Pattern生成基于短语挖掘生成  [属性] + [对象] 组合  需求对象的依存句法关系挖掘  AutoPhrase远程监督挖掘 e.g. [手法]+[部位]+[对象]：泰式背部推拿 [位置]+[对象]：户外烧烤 [休闲项目]+[对象]：吃火锅K歌 ... e.g. 魔鬼滑梯、图书漂流、小猪跳水 ... 具象需求候选池

15. 具象需求层构建 - 具象需求挖掘具象需求的质量判别：Wide&Deep结构的联合判别，充分利用统计特征和语义特征 Softmax FC Layer Deep Features FC Layer FC Layer C T 1 T 2 … T N E [CLS] E 1 E 2 … E N [CLS] 吃火 … 歌 Wide Features TF Wide PPMI 吃 POS … 火锅 K DEG 歌具象需求候选池 Deep

16. 具象需求层构建 - 具象需求-属性关系构建 • 包含节点的固定Pattern提取，快速获取关系三元组 • 包含节点的语料上下文建模，进一步丰富关系三元组 Softmax FC Layer FC Layer FC Layer FC Layer Average Pooling Average Pooling BERT CLS 今天 # 拔罐 # 拔完 & 排毒 & 效果明显

17. 具象需求层构建 - 需求节点和供给的关联 • 转化为语义匹配，构建召回-排序-聚合三段式匹配流程 • 包含商户、商品和内容三种类型的供给关联具象需求商户商户名文本同义标签扩展少样本学习商户名匹配结果 pattern匹配 BERT语义匹配内容匹配结果内容内容文本子句拆分商品商品名&详情文本召回排序商品匹配结果内容关联关系关系规则聚合聚合商品关联关系商户关联关系

18. 场景要素层构建场景要素拆解人物场景要素挖掘场景要素-具象需求关系构建无监督扩充 + 有监督标注 Pattern提取 + 上下文建模空间时间目的 ...... 构建流程高效复用

19. 场景需求层构建场景需求判别场景需求组装以场景要素为基础，定义多种类型的模板组合人物空间时间目的 ... 周末和闺蜜聚会户外亲子基于场景要素-具象需求-场景要素的关系传递构建场景要素关系评分模型，过滤低质场景需求

20. 数据沉淀 60+ 40万+ 1亿+ 行业覆盖需求节点三元组关系 100+ 95%+ 90%+ 关系类型准确率召回率

21. 03 到店综合知识图谱的应用实践

22. 到店综合知识图谱应用概览应用层策略层搜索推荐供给画像信息展示用户画像 ...... 推荐匹配 GENE-到店综合知识图谱知识层数据层行业体系商户需求对象具象需求商品场景要素内容场景需求用户搜索推荐召回可解释性 ... 召回排序 ... 信息展示供给聚合标签筛选推荐理由 ... 到店新兴行业场景下的应用探索

23. 搜索应用召回 + 可解释性优化 • 知识图谱 + 召回  标签召回  结构化召回 • 知识图谱 + 可解释性

24. 推荐应用 • 知识图谱 + 召回  图谱信息直接用于关联召回 • 知识图谱 + 排序  图谱信息作为特征融入排序建模美团首页-猜你喜欢到店综合业务涉及的多个频道页，如休闲/玩乐、结婚/摄影

25. 信息展示应用供给聚合标签筛选推荐理由

26. 到店新兴行业场景下的应用探索到店新兴行业 - 剧本杀问题1: 平台类目缺失问题2: 用户决策效率低问题3: 商品上架繁琐平台缺少专门的“剧本杀”类目，中心化流量入口缺失剧本杀的核心是剧本缺乏标准的剧本库，也未建立供给和剧本的关联关系没有可用的标准模板用以信息预填，商户的商品上架比例低剧本杀供给标准化以标准化为基础，改善供给管理和供需匹配

27. 基于剧本杀知识图谱的供给标准化 GENE中的剧本杀行业图谱剧本杀供给挖掘剧本杀行业图谱节点和关系示例标准剧本库构建剧本杀供给标准化流程供给与标准剧本关联

28. 标准化建设 - 剧本杀供给挖掘剧本杀商户挖掘 • 无监督匹配  剧本杀关键词文本匹配  各来源匹配分数计算 • 有监督拟合  线性回归获取各来源权重  加权计算最终分数

29. 标准化建设 - 标准剧本库构建标准剧本名称的挖掘 - 规则聚合 • 商品名称清洗构建词库规则过滤，序列标注字符级分类 • 名称相似聚合基于最长公共子序列（LCS）的相似度计算剧本杀商品名称清洗后的商品名称《舍离》情感本舍离【情感大戏】舍离壹舍离 1 城限名称清洗舍离壹舍离1 规则聚合结果舍离舍离壹 LCS相似度计算舍离1

30. 标准化建设 - 标准剧本库构建标准剧本名称的挖掘 - 语义聚合 • 规则聚合遇到的问题  字面距离相近但不属于同一个剧本  商品名称常出现简称缩写和错别字 • 从规则聚合到语义聚合  基于BERT的DSSM语义匹配  规则聚合结果生成粗粒度样本  主动学习 + 针对性样本构造

31. 标准化建设 - 标准剧本库构建标准剧本名称的挖掘 - 多模态聚合 • 语义聚合遇到的问题  名称语义不同但属于同一个剧本 • 从语义聚合到多模态聚合  文本 + 图像联合匹配  基于BERT的文本编码器  基于Efficientnet的图像编码器

32. 标准化建设 - 供给与标准剧本关联商品-标准剧本关联内容-标准剧本关联

33. 标准化应用 - 类目构建剧本杀类目入口

34. 标准化应用 - 推荐基于剧本属性关联召回 + 图谱信息融入双通道DIN建模排序

35. 标准化应用 - 信息展示剧本评分筛选和外露标签筛选标签外露供给关联信息外露剧本榜单

36. 04 到店综合知识图谱的展望

37. GENE展望起心动念用户决策路径形成场景化诉求（场景需求）考虑考虑具体方案（具象需求）场景需求和具象需求的持续挖掘实现到店综合所有行业的全覆盖选择评估交易购买履约服务选择自己喜欢的服务/商品在平台交易以换取服务/商品商品到货服务完成更深更广的应用持续提升供需匹配效率激发用户更多需求从供给侧向用户侧延伸覆盖用户决策的全链路，构建用户服务体验图谱

38. 非常感谢您的观看