美团AI实战：迎接外卖个性化场景中的挑战 | O'Reilly北京站

大数据文摘出品

记者：张驰

继今年4月 O’Reilly AI Conference在纽约落下帷幕 之后，6月18-21日，O’Reilly AI Conference来到北京。这次的 AI 盛会由 O'Reilly 和 Intel AI 联合举办。大会通过培训、辅导课和主题演讲等多种形式，探讨和分享了AI 技术在实际生活中的落地应用。

大数据文摘作为特约合作媒体也参与了这一盛会，文摘菌此次收获颇丰，趁热打铁先来带着大家看看第一天的报告吧：

迎接外卖个性化场景中的挑战

来自美团的研究员刘怀军分享了关于AI技术在外卖个性化场景中的落地与思考。

外卖的4个个性化场景分别是智能搜索，场景推荐，附近推荐，和智能导购。要实现个性化面临的问题主要是，外卖的菜品相较于电商商品，缺少完备的知识图谱，信息量少，数据挖掘难度大。

另外外卖的链路很长，从用户浏览下单，再到平台发单给商家，商家接单后出餐，最后通过骑手将外卖配送到用户，包括的主体角色有用户，商家，骑手以及中间平台，因此外卖过程中不确定因素多，需要保证链路过程的各角色的多目标均衡。

而且现在外卖平台已经不单单是只供给用户饮食的平台：买药，买鲜花，买生鲜等更多的需求促使外卖发展成为一个更综合的外卖平台。从美团外卖单天订单趋势图可以看出每天的外卖订单存在高峰时段，这就要求平台能够做出及时的决策，保证高时效性。

外卖个性化中存在的这些问题，需要通过资源配置，来实现用户需求和商家供给的精准匹配。对应的需要解决的AI技术问题为：以知识图谱为基础建设，针对有明确需求的用户，为其提供智能搜索，对于非明确需求的用户提供智能推荐。

以知识图谱为基础建设

目前行业内，包括Google,微软，亚马逊，facebook等企业都构建着百亿级知识图谱。美团外卖目前拥有超过300万的商家入驻，有4亿+的商品和超过3亿的用户，构建知识图谱是十分有必要的，也是十分具有挑战性的。

美团提出的知识图谱的构建方案包括整合多源（外卖，团购，点评），异构（文本，图片，行为）数据，采取不同的模型进行多技术融合，并通过用户反馈和商家运营等辅助知识图谱的构建。其中涉及的技术包括图像识别，多源数据处理，以及构建语义模型，图像模型和异构混合模型。

刘怀军说： 技术的发展会遇到局限，产品的发展也会受到局限，但是技术和产品的结合能突破产品的局限和技术的局限。

刘怀军认为美团外卖未来会进行智能驱动，充分结合AI的优势，来解决外卖个性化推荐的问题，以及利用强化学习进行全链路的全局优化，保证每一环节都能达到最优的平衡，带来外卖领域的革命性成果。

AI“美颜”你的歌声和视频：K歌修音和自动作曲

来自Kwai的音乐检索（MIR）技术专家姜涛分享了用AI来美声的有趣的研究。

姜涛在 报告现场首先展示了其公司成员一段清唱的灾难现场，然后展示了经过AI美音后得到的标准好听的歌唱版本。

由于歌曲原唱的清唱版本在各大公司处作为保密文件，不易获得模型训练的真实标签，是该技术发展的一大瓶颈。

其公司利用MP3等包含背景音乐的原唱歌曲，通过分离技术将歌手清唱音频和背景音乐音频分离开，以此获得歌手清唱音频，再以此作为ground truth进行模型训练。目前该公司的AI美音软件在Server端和手机移动端均可做到一句歌词的延迟水平，而且也可以做到对正常说话的内容进行美声，具有远大的前景。

放大招：TensorFlow 2.0新功能

本次大会演讲中最让文摘菌感兴趣的是来自Google的高级工程师王铁珍关于Tensorflow2.0的介绍。

废话不说，直接上安装方式：

!pip install –pre –U tensorflow

王铁珍介绍 这是TF2.0的测试版，正式版将在今年发布。那么TF2.0到底带来了哪些好处呢？TF1.0又存在哪些缺陷呢？

首先，TF2.0推荐使用tf.keras作为高层级的API接口，keras是tensorflow的高级神经网络接口，里面有大量模型的封装，高度模块化并具有可扩展性，简化了许多复杂算法的实现难度，可以减少开发的成本，TF2.0推荐使用该接口，可以看出深度学习的编程过程趋向简单化。

其次，作为使用过Tensorflow1.0的朋友来说，其并不友好的静态图开发使得众多开发者望而却步。因此TF2.0使用了Eager Execution（动态图模式），使其可以不用再构建完图，通过sess.run来执行，而是可以像普通程序一样直接执行，增强的可用性。这一功能可以说让本来打算放弃TF转向PyTorch的文摘菌又立刻充满干劲，然后激动地跟着谷歌爸爸继续前进。

TF2.0变得更清晰了，去掉了一些复杂的API，如tf.app等，新的API的语法非常友好，并且能兼容Tensorflow的生态系统。

话不多说，来看一下新版的数字分类代码：

可以看出和TF1.0相比几乎没有改变，体现出了很好的兼容性。

王铁珍还介绍到，TF2.0提出了类的概念，以往TF1.0的编程过程都是面向过程，一个流程下来编写的，现在加入了类的概念，引入了面向对象的编程方式。

但是问题来了，就算再兼容，用户还要重新学习TF2.0的新语法规则，那多麻烦啊！别急，马上就要放大招了！新版的TF2.0还提供了自动更新的代码，能直接让你的TF1.0代码直接升级为TF2.0的代码，只需要关键的一个语句：

tf_upgrade_v2。

另外，新版本中不会再有占位符，session.run，feed_fict之类的麻烦了。

接着， 王铁珍 介绍了应用在手机等移动端的TensorFlow Lite框架，在手机也能运行深度学习，文摘菌拿起自己的手机看了看，沉思了一会又默默地放了下来，手机跑深度模型用来干啥呢？

报告结束前王铁珍研究员还放出大招：提供了网页浏览版的Tensorflow.js，这个网页厉害就在于可以直接使用GPU运行程序，啥都不用安装，什么CUDA，CuDnn之类的当时装Tensorflow-gpu的苦大家都懂的，所以这个网页版的Tensorflow简直深得人心。

会议还在继续，关注大数据文摘获得最新报道哦。

志愿者介绍

后台回复 “ 志愿者 ”加入我们

点「在看」的人都变好看了哦