美团搜索与NLP团队自主设计研发了图神经网络框架Tulong以及配套的图学习平台，提升了模型的规模和迭代效率。

美团住宿数据治理团队通过多年数仓建设及数据治理的经验沉淀，从标准化、数字化、系统化三个方向进行了落地与实践。

本文主要讲述CompletableFuture的原理与实践，同时结合了美团外卖商家端API的异步化实战，希望能对从事相关开发的同学有所帮助或启发。

本文主要讲述DAS的历史背景、演进策略、重要功能及实现思路，希望能对从事相关开发的同学有所帮助或者启发。

99%的成功，都来源于基本功。

美团点评餐饮平台总裁王慧文在2017年码会分享，美团的成功究竟是来源于战略上的坚守，还是战术上的灵活应变？

智能算力旨在对流量算力进行精细化和个性化分配，从而实现系统算力约束下的业务收益最大化。

进入互联网“下半场”，靠“堆人力”的研发方式已经不再具备竞争力了，真正可行且有效的方式是让系统能力变得可沉淀、可组合复用、可灵活应对各种变化。

本文讲述在Linux系统下跨语言调用的实践总结，即开发一次C++语言的组件，其他语言通过跨语言调用技术调用C++组件。

对于数据库来说，慢查询往往意味着风险。SQL执行得越慢，消耗的CPU资源或IO资源也会越大。大量的慢查询可直接引发业务故障，关注慢查询即是关注故障本身。

针对二三四线城市，不像一线城市那么大，很多时间需要先打电话预约，二三四线城市直接上门就可以了。而且BD（Bussiness Development .商务拓展）人员要知道，团购平台对商家来讲是一个效果转化率最高的营销宣传平台。

知识图谱可视化可以更直观地查看和分析知识图谱的数据。本文主要介绍了美团平台在布局策略、视觉降噪、交互功能、可视化叙事、3D图谱可视化等方面的一些实践和探索，同时沉淀出了uni-graph图可视化解决方案，并支持了美团的很多业务场景，包括美团大脑、图数据库、智能IT运维、组件依赖分析、行业领域图谱等。希望能对从事知识图谱可视化方向的同学有所帮助或启发。

Booster GPU训练架构在整体设计上充分考虑了算法、架构、新硬件的特性，从数据、计算、通信等多个角度进行了深度的优化。

很多人都说王兴是一部学习机器。而美团也自然有极强的学习基因。

王兴自述其学习方法主要是：从书上学，与高人聊，在事上练。而其中最主要的方法，就是通过复盘的方法，让经历的“事情”最大程度上转化成经验和教训，成为个人和组织成长的营养。上一篇，我们系统的讲解了美团的复盘方法。

本篇，我们分享，复盘方法最重要的一个应用，让美团人又爱又恨的“炼丹炉”——述职。

本文基于美团配送数据治理的历程，分享了数据定义、模型设计、数据生产三环节统一的配送数据“底座”的建设与实践。

本文主要讲述在美团的搜索场景下查询改写项目的迭代方向和实现思路，希望能对从事搜索、广告、推荐中召回相关工作的同学有所启发或者帮助。