用好中间件是每一个开发人员的基本功，一个专业的开发人员，追求的不仅是中间件的日常使用，还要探究这背后的设计初衷和底层逻辑，进而保证我们的系统运行更加稳定，让开发工作更加高效。

因果推理模型给机器学习打开了一个新的思路。清华大学计算机学院崔鹏副教授为美团技术团队的同学分享了因果推断技术最新的发展趋势。

在海量数据中，如何获得自己需要的数据指标，做好数据指标的设立与管理至关重要。

美团语音交互部将降低延迟问题转换成一个知识蒸馏过程，极大地简化了延迟优化的难度，仅通过一个正则项损失函数就使得模型在训练过程中自动降低出字延迟。

美团与华东师范大学开展了科研合作，在AI领域对索引推荐进行了探索和实践。

美团到店餐饮算法团队在跨域迁移学习的长期实践中，基于多场景的业务背景，提出了分层信息抽取网络，提升了多场景多任务的建模效果。

当你和智能语音机器人对话交互时，你是否好奇电话背后的机器人如何“听懂”你的意思，又如何像人一样“回答”你的问题？其中比较重要的技术就是 MRCP。

本文主要介绍BERT在优化美团搜索核心排序上的探索过程以及实践经验。

美团搜索与NLP中心提出了一种针对数据集MS MARCO文本检索任务的BERT算法方案。

外卖场景对用户实时需求的理解和反馈有更高的要求，美团外卖技术团队摸索出一套交互式推荐架构和策略。

在人工智能时代，如何利用GPU这一利器赋能业务场景，是很多技术研发者都要面临的问题。

美团视觉研发团队提出一种通用高效的部署架构，通过模型结构拆分和微服务化优化，解决了GPU利用率普遍偏低的性能瓶颈问题。本文系实践经验分享。

美团点评作为最大的生活服务平台，有丰富的品类可供用户选择，因此搜索这个入口对各业务的重要性不言而喻，除了平台搜索外，业务搜索系统的质量和效果对用户体验、商家曝光、平台交易也有着关键作用。

美团代码托管平台经过长期的打磨，完成了分布式架构的改造落地，托管数以万计的仓库，日均Git相关请求达到千万级别。本文主要介绍了美团代码托管平台在迭代演进过程中面临的挑战及解决思路，希望对大家有所帮助或启发。

相比深度学习，知识图谱中的知识可以沉淀，具有较强的可解释性，与人类的思考更加贴近，为隐式的深度模型补充了人类的知识积累，和深度学习互为补充。因此，全球的互联网公司都在积极布局知识图谱。

美团外卖推荐团队在推荐算法的长期落地实践中，针对外卖业务情境化特点对排序模型进行深入探索与优化。