一、背景与挑战：外卖行业的增长困境

外卖行业作为O2O领域的核心赛道，在2015-2018年期间经历了爆发式增长。以百度外卖为例，其日均订单量在2017年突破300万单，但用户留存率仅为行业平均水平的65%。这一数据暴露出两大核心问题：用户选择成本高（平均浏览12个商家才下单）和商家曝光效率低（头部20%商家占据80%流量）。

传统推荐系统依赖的协同过滤算法（Collaborative Filtering）在此场景下暴露出明显局限：冷启动问题导致新商家曝光不足，数据稀疏性使得长尾用户需求难以捕捉，实时性不足无法应对外卖场景的瞬时需求变化。例如，某写字楼用户在工作日午餐时段的需求与周末晚餐时段存在显著差异，传统系统难以动态调整。

二、数据架构：构建全链路数据生态

百度外卖构建了”用户-商家-场景”三维数据采集体系：

1. 用户行为数据层：通过埋点系统采集点击、浏览、加购、下单等12类行为事件，日均处理数据量达15TB。采用Flink实时计算框架处理用户实时行为，例如用户将某商家加入收藏后，系统在3秒内更新该商家的推荐权重。

2. 商家特征数据库：整合商家基础信息（品类、价格带、配送范围）、历史经营数据（订单量、复购率、差评率）和实时运营数据（库存状态、促销活动）。特别设计的”商家健康度”指标，综合考量出餐速度、退单率等18个维度，动态调整推荐优先级。

3. 时空场景引擎：构建LBS（基于位置的服务）时空立方体，将城市划分为500m×500m的网格单元，结合时间维度（工作日/周末、午餐/晚餐）和天气数据（雨天/晴天），形成超过2000种场景组合。例如，雨天会提升3公里内商家的推荐权重，同时降低沙拉类轻食的曝光。

三、算法创新：多模态推荐模型设计

系统采用”深度学习+图计算”的混合架构：

1. 用户兴趣表示层：构建双塔模型（Dual Tower），左侧塔处理用户历史行为序列（使用Transformer编码），右侧塔处理商家特征向量。通过余弦相似度计算匹配度，在测试集中AUC达到0.87。

# 伪代码示例：双塔模型结构
class UserTower(nn.Module):
    def __init__(self, embedding_dim):
        super().__init__()
        self.transformer = nn.TransformerEncoderLayer(d_model=embedding_dim, nhead=4)
class ItemTower(nn.Module):
    def __init__(self, feature_dim, embedding_dim):
        super().__init__()
        self.fc = nn.Linear(feature_dim, embedding_dim)
# 相似度计算
def compute_similarity(user_emb, item_emb):
    return torch.cosine_similarity(user_emb, item_emb, dim=-1)

1. 实时决策引擎：采用Flink+Redis的架构实现毫秒级响应。当用户打开APP时，系统在200ms内完成：

   • 场景识别（定位、时间、天气）
   • 召回阶段（从百万商家中筛选TOP1000）
   • 排序阶段（多目标优化：GMV、用户满意度、商家公平性）
   • 多样性控制（确保每屏展示不同品类）

2. 多目标优化框架：设计加权评分函数，综合考虑：

   $Score=w_1\cdot pCTR+w_2\cdot pCVR+w_3\cdot \log \left(price\right)+w_4\cdot (1-deliver{y}_{t}ime)$Score=w​1​​⋅pCTR+w​2​​⋅pCVR+w​3​​⋅log(price)+w​4​​⋅(1−delivery​t​​ime)

   其中权重$w_i$通过强化学习动态调整，例如在晚餐高峰期提升配送时效的权重。

四、业务增长：从数据到价值的闭环

1. 用户侧增长：实施”千人千面”推荐后，用户决策时长从平均120秒降至45秒，下单转化率提升28%。特别设计的”猜你喜欢”模块，使长尾用户（月下单<3次）的留存率提升15%。

2. 商家侧赋能：通过”商家成长计划”，系统为新商家提供冷启动解决方案：前3天给予流量倾斜，第4天开始根据点击-下单转化率动态调整曝光。测试显示，新商家平均5天可达日均50单。

3. 运营效率提升：构建AB测试平台，支持同时运行200个实验组。例如在”满减活动”测试中，发现”满30减12”比”满25减10”的ROI高18%，该策略后续推广至全国。

五、实践启示与行业借鉴

1. 数据治理是基础：建立数据质量监控体系，确保用户行为数据的完整性（>95%）和时效性（<5秒延迟）。

2. 算法与业务深度融合：推荐系统需与运营策略协同，例如在促销期间调整排序公式中的价格权重。

3. 实时性决定体验：外卖场景要求推荐系统具备秒级响应能力，这需要优化数据管道和模型推理效率。

4. 可解释性增强信任：开发”推荐理由”功能，向用户展示”根据您上周的川菜订单推荐”等解释，使用户接受度提升22%。

当前，该系统已演进至3.0版本，集成NLP技术解析用户评价中的情感倾向，并开始探索多模态推荐（结合菜品图片）。数据显示，系统为百度外卖带来年均42%的订单增长，用户月均下单频次从3.2次提升至5.1次，验证了大数据驱动商业增长的可行性。对于其他外卖平台，建议从场景化数据采集和实时决策引擎建设入手，逐步构建智能推荐体系。