共计 9813 个字符，预计需要花费 25 分钟才能阅读完成。
外卖场景的用户停留时长低于传统电商，对用户实时需要的了解和反馈有更高的要求。针对业务问题，外卖举荐团队从 2021 年起开始继续投入，最终摸索出了一套实用于外卖场景的交互式举荐架构和策略，并获得了较好的收益。本文具体介绍了外卖首页 Feed 在搭建交互式举荐时遇到的挑战和解决思路。
1. 背景
1.1 什么是交互式举荐？
交互式举荐是一种互动式实时举荐产品模块，次要通过了解用户需要、以互动的形式进行举荐。交互式举荐由 Youtube 在 2018 年提出 [1]，次要用于解决举荐零碎的提早[2] 和与用户互动偏弱的问题。
从 2021 年下半年开始，美团外卖举荐技术团队在外卖首页 Feed 上继续进行摸索，2022 上半年实现全量。具体流程如视频 1 所示：用户从首页 Feed 进入商家详情页并退出之后，动静地插入新的举荐内容到用户举荐列表中。其次要劣势是依据用户的实时需要动静插入卡片进行反馈，进而加强用户的应用体验。
视频 1 外卖首页 Feed 中的交互式举荐状态
1.2 为什么须要交互式举荐？
咱们发现，外卖首页 Feed 在 用户即时趣味的捕获和反馈 上存在痛点，“比照型”用户的选购效率和体验不佳。外卖首页 Feed 作为泛用意用户次要选购场景之一，用户在浏览到成单过程中通常须要进行一番比照、能力逐渐收敛用意，而后做出最终决策。
但受限于长列表的翻页模式，首页 Feed 依据用户需要实时调整举荐后果的能力有余。具体表现在，一部分用户的浏览深度有余一页，举荐零碎没有额定的机会依据用户趣味调整举荐后果。另一部分用户尽管有较深的浏览深度，但须要等到翻页时举荐零碎能力从新了解用户用意，实时性有余。
业界优化这类问题的次要产品状态有交互式举荐、动静翻页、端上重排这三种。交互式举荐因为是在用户可视范畴内插入，用户感知较强；后两种的支流状态是在用户不可见区域更新举荐，用户感知绝对较弱。其实，这三种状态在美团外卖均有尝试，本文重点聚焦于交互式举荐的介绍。
2. 问题与挑战
咱们在外卖场景搭建交互式举荐时，次要面临以下难点和挑战：
- 不同于传统的举荐零碎，交互式举荐是由用户触发的举荐，外卖场景下，如何更好的匹配用户实时需要，搭建出一套实用于外卖的、基于端智能框架的举荐零碎是咱们首要解决的问题。
- 作为首页 Feed 外部的个性化模块，交互式举荐只做繁多模块的优化是不够的，还要思考首页 Feed 整体的访购效率。那么，如何抉择优化指标，以及如何掂量成果和收益，是摆在咱们背后的第二个问题。
- 支流的 Feed 状态是双列商品瀑布流，但外卖首页 Feed 是以商家为主的单列列表，如何防止交互在用户的抉择门路上带来的“烦扰感”，在适合的机会触发交互式举荐，是咱们面临的第三个问题。
- 交互式举荐具备动静插入成果，用户对于举荐后果好与坏的感触会更加显著。如何更好了解用户即时用意，如何利用首页 Feed 列表举荐后果优化交互式举荐的单商家卡片，是咱们面临的第四个问题。
本文将从以上四个方面，具体介绍外卖首页 Feed 交互式举荐从 0 到 1 搭建的全过程，以及针对以上问题的解决思路。
3. 次要工作
3.1 交互式举荐框架
3.1.1 整体链路
上文提到，要实现交互式举荐，搭建出一套实用于外卖的、基于端智能框架的举荐零碎十分重要。搭建思路能够用“4W1H”来总结：
- Where/How：交互式举荐卡片展现在哪？交互式举荐卡片的展示模式是什么？波及产品状态。
- Who/When：交互式举荐须要对什么样的用户触发？在什么机会下触发？波及用户用意了解。
- What：交互式举荐卡片须要展现什么？波及举荐策略。
基于对上述问题的思考和多方探讨，咱们最终和产品、端智能、客户端、应用服务和举荐工程等多个相干团队一起，搭建了这套实用于外卖首页 Feed 的交互式举荐链路。
上图 1 展现了从“用户点击首页 Feed 商家卡片”开始，到交互式举荐卡片展示”的全流程。用户进入点菜页后，由客户端调用端智能的用意了解引擎；满足交互式举荐的触发条件后，进行特色解决、计算和存储，并将计算好的将特色传递给客户端组装举荐申请；举荐申请由应用服务层透传给混排服务，再由混排调用商家举荐模块，通过召回、排序、机制、透出阶段，最终返回后果到客户端进行展现。
3.1.2 产品状态
文章结尾局部的视频 1 是咱们线上的最终状态（在用户点击商家下方插入单个商家卡片），但在此之前，咱们对交互式举荐的卡片状态和交互逻辑进行了多轮尝试。
- 在卡片状态上，咱们先后摸索、上线了搜索词卡片、多商家聚合卡片（如视频 2 所示）、单商家卡片（如视频所示）等多种状态，测试不同卡片类型对用户选购的影响。
- 在交互逻辑上，为了防止插入动画对用户选购的“烦扰感”，也比照了“在点击卡片上笼罩”和“在点击卡片下方插入”两种交互，测试对于用户选购的影响。
视频 2 交互式举荐双商家卡片展现款式
在观测不同产品状态的成果差别时，咱们重点关注插入的交互式卡片对于首页 Feed 的千人成交额的影响，试验数据见下表：
其中，UV_CXR = 交易用户数 / 曝光人数。
在摸索过程中，咱们也迭代了以下 3 点认知：
- 首先，单列列表中，越原生的卡片（和支流卡片类似度高），对于用户的烦扰越小，也更容易被用户承受，从而产生点击、成单等行为。
- 其次，不论是搜索词举荐，还是多商家聚合举荐，只管看上去外露供应更多，但在转化链路中减少了落地页环节，理论带来的折损会更高（如下图 2 所示）；同时，因为交互式举荐要保障肯定的相关性，落地页状态对于供应丰盛度的要求更高，然而 LBS（基于地位）举荐中供应绝对更少，因此难度也更大。
- 另外，在用户选购过程中，“多店比照”是十分常见的场景，因而，将点击商家覆盖住只管节约了一个坑位，但带来的负向影响要大于其正向收益。
3.2 评估形式和评估指标
交互式举荐的指标是晋升首页 Feed 整体访购效率，进而晋升用户体验。评估其收益的外围指标，落脚到首页 Feed 整体转化效率。然而，交互式举荐有触发策略约束条件（详见 3.3 节），流量占比也较低，同时和首页 Feed 在用户成单上存在“挤占”效应。当交互式卡片的访购效率有较大幅度晋升时，能力撬动首页 Feed 的整体效率。因而，只观测首页 Feed 整体效率，无奈领导交互式举荐的日常策略的迭代和成果的剖析，须要更间接、相信的指标掂量“什么是好的交互式举荐算法”。
咱们评估交互式举荐算法，次要思考两个维度：
- 插入卡片的覆盖面
- 插入卡片的匹配度
为了应答以上两个维度的评估，咱们别离引入“曝光页面 Page 占比”、“同地位订单增量”来掂量交互式举荐对首页 Feed 曝光的影响。
评估覆盖面，常见指标是曝光量、曝光占比。但交互式举荐卡片插入后会扭转首页 Feed 曝光量，间接计算其在首页 Feed 的曝光占比不合理。因而，咱们将统计曝光的维度从“量”改为“页面”，通过计算交互式卡片曝光 Page 数在首页曝光 Page 数的占比来评估卡片覆盖面。
观测 Page 占比（下文简称“曝光页面 Page 占比”）便于评估交互式举荐的覆盖面和其实践下限的差别，如果用户在首页 Feed 的每次点击商家都触发并展现交互式商家卡片，曝光 Page 占比和首页 Feed 的 Page CTR（曝光点击率）等同。因而，联合首页 Feed 的 Page CTR，咱们就能够察看到交互式举荐覆盖面和其实践下限的差距，便于持续优化迫近下限。曝光页面 page 占比对同一页面屡次触发不敏感，因而，咱们引入了交互式卡片曝光 PV 占比（交互式卡片曝光量占首页 Feed 曝光量的比值）、曝光 UV（曝光交互式卡片的用户占首页 Feed 曝光用户的比值）占比辅助观测对首页 Feed 的影响。
评估匹配度，常见指标是曝光到成单的转化率。咱们认为，交互式举荐插入的商家应该比上下文中的其余商家更合乎用户以后的趣味。因而，最直观的指标就是比照交互式卡片和首页 Feed 其余卡片的转化率，但这两类卡片比照，会存在三种偏差：
- 人群偏差：交互式举荐曝光人群是产生过点击的用户，这部分用户群体的转化率人造高于“大盘”。
- 地位偏差：交互式举荐卡片由用户点击触发，因为排在后面的商家往往更容易被点击，因而交互式卡片的曝光地位绝对更加靠前。
- 资源类型偏差：首页 Feed 列表波及较多主题、广告等异构流量，大部分异构流量往往并不是从转化率登程进行排序。
上述 3 个偏差，使得交互式卡片转化率人造比首页 Feed 其余卡片转化率高，因而简略比拟交互式卡片和首页 Feed 失常卡片之间的差别并不能正确评估交互式举荐自身的价值。而交互式举荐的产品个性是将原来曝光在首页 Feed 的卡片顺次往后挤压，因而只有当交互式举荐卡片的转化率高于本来该地位的卡片（也就是起初被挤压到交互式卡片的下一位的卡片）的时候，交互式举荐能力产生侧面成果。
基于此，咱们应用“比照同一次申请内，与下一位天然商家预估转化率的绝对差别”（下文简称绝对下一位差别）来掂量举荐卡片的匹配度，“同申请”解决了人群偏差问题，“下一位”缓解地位偏差问题，“天然商家”解决了资源类型偏差问题。
此外，扩充覆盖面通常会引起匹配度的降落，为了均衡这两个指标，咱们引入“绝对下一位差别乘以交互式卡片曝光量”作为策略迭代的辅助观测指标，其物理意义是插入交互式卡片并将原来的卡片往下挤压之后，在该地位产生的预期订单数的增量（下文简称“同地位订单增量”）。
3.3 用户用意了解
交互式举荐，由举荐零碎感知到用户的“交互”触发。其了解用户用意的流程次要蕴含两个阶段：1）用户对举荐零碎的哪些行为能够触发交互式举荐；2）触发交互式举荐时用户的即时用意是什么样的。下文将会围绕这两局部开展阐明。
3.3.1 首次触发策略
为了摸索不同触发机会对交互式卡片“绝对下一位差别”、“曝光页面 Page 占比”等指标的影响，咱们依据用户的不同需要，尝试了加购物车、点击菜品、停留时长（10s/5s/2s/ 进店立刻）触发等机会。试验证实，放宽触发条件会增大交互式举荐不相信触发的危险，导致交互式卡片效率降落，但会带来交互式卡片曝光量的晋升，笼罩更多的用户，有利于后续策略迭代。最终，咱们采纳“用户从首页 Feed 进店后立刻触发”的首次触发策略。
3.3.2 间断触发策略
因为用户在商家详情页的停留时长无奈确定，且工程上无奈实现在用户返回列表的霎时申请举荐服务并展现后果，因而，在用户浏览商家详情页期间，零碎须要间断屡次向服务端申请举荐后果，用户在商家详情页的停留时长越长、需要越明确，服务端的举荐后果也就越精准。所以，咱们采纳“间断触发策略”，即随着用户在店内停留时间的减少，或者用户产生新的菜品点击、加购特色后，客户端会间断屡次向后端服务发动申请，更新举荐后果。
3.3.3 用户实时需要了解
如何通过端智能 [3-4] 更好了解用户用意是咱们关注的重点，相比服务端，用户在端上的特色次要有以下 2 个特点：
- 实时性更好：从“准实时”到“超实时”的交互。
- 维度更细：从“交互 Item”进化到“Item 交互的 Micro- 粒度”。
因而，借助端智能的能力，咱们不再受限于首页 Feed 的分页申请更新机制，可能依据用户行为，更好了解用户需要，实时智能决策更新举荐后果，缓解反馈信号感知提早问题。
用户点击商家卡片后在店内的次要行为能够帮忙咱们更好了解用户实时需要。图 4(a)展现了局部店内行为，图 4(b)剖析了局部不同的行为比照查看商家介绍行为，在用户当日完单率（当日完单率定义：当日用户在商家内产生某一行为，并在该天然日内外卖有成单）上的差别，阐明不同行为下用户的需要有显著差别。
3.4 举荐排序策略
首页 Feed 一次展现整个列表，而交互式举荐一次仅展现 1 个商家卡片。为了举荐更精准的后果，就须要交互式举荐更精确的了解用户实时的外卖需要。因而，咱们在首页 Feed 的举荐链路的根底上，通过优化“召回 -> 排序 -> 机制 -> 透出”链路，笼罩更多用户的同时，一直晋升交互式举荐和用户趣味的匹配度。
3.4.1 召回
召回阶段分为两步（如下图 5 所示）：
- 利用多个召回算法策略从用户左近召回数百个候选 POI 商家。
- 利用类似品类过滤计划来过滤和以后用户用意显著不同的商家，并将生成的候选后果传给排序阶段。为更好了解用户即时用意，咱们提出了 Item2Item Multi-Trigger 召回和类似品类过滤计划。
首先，一方面，咱们间接复用了首页 Feed 举荐的召回链路，交融了双塔召回[5]、User2Item 召回[6]、热销召回等多个召回算法。另一方面，为了增强对用户即时用意的了解和关注，咱们新增了一路 Item2Item Multi-Trigger 旁路召回。
具体做法是：咱们将用户在首页 Feed 点击、加购的 POI，作为 Item2Item 召回的 Trigger，召回更多合乎用户即时用意的商家。其中每个用户的 Trigger 数是不同的，每个 Trigger 召回的商家数量也是不同的，其数量满足 N /M（N 是 I2I Multi-Trigger 召回的 POI 总数，M 是 Trigger 数量）。
其次，用户最近点击的商家可能帮咱们更好了解用户即时用意。咱们思考到外卖场景“比照型”用户居多的特点，为了给用户带来更好的体验，提出了“同叶子品类”策略：束缚了曝光的交互式卡片商家，必须和触发商家的叶子品类（体现的是商家口味，和主营菜品无关，比方串串香、鸡肉卷）雷同。然而该计划会带来 2 个问题：
- LBS 束缚下同叶子品类商家较少，导致交互式卡片曝光量少。
- 外卖场景下商家品类定义的粗细（每个商家蕴含由粗到细的多个级别的品类）粒度不同，交互式举荐须要一套对立的品类定义形式，既要保障举荐商家品类与用户趣味的高相关性，又须要举荐后果有肯定的多样性。
因而，咱们参考了现有商家品类定义，思考了商家口味、消费者相似性以及商家蕴含的商品品类散布等维度，通过聚类的办法从新定义了交互式举荐的类似品类。具体来说，咱们将 200 个左右的细粒度的品类，定义为 70 个左右的粗粒度品类，在满足“比照型”用户诉求的同时，也为更多用户带来了新颖性、多样性的体验。
咱们提出的策略，在显著晋升交互式卡片曝光页面 Page 占比的同时，比照下一位差别显著晋升，具体成果能够见下表：
3.4.2 排序
排序阶段，模型的次要工作是预测 CTR、CXR（曝光转化率），并将预估后果传给机制阶段。
优化交互式举荐的排序模型，咱们次要面临样本分布差别、训练样本少的问题。交互式举荐的单商家卡片状态和首页 Feed 的列表状态人造有差别，导致其样本分布上（如点击率、转化率、人群散布上）显著不统一，间接应用首页 Feed 的举荐模型短少对交互式举荐场景个性化的关注，成果会有显著衰减。简略的做法是间接应用交互式举荐的样本训练模型，然而交互式举荐单场景样本较少，会导致模型鲁棒性有余。
因而，咱们抉择了业界通用的 Fine-tune 的办法，在首页 Feed 排序模型的根底上，利用交互式举荐的样本 Fine-tune 排序模型。同时，咱们充分利用了 3.3.3 节构建的用户实时需要了解模块，优化模型成果。当然，咱们也摸索了不同网络结构对于模型成果的晋升，然而限于算力资源等束缚，咱们并没有上线更为简单的交互式举荐排序模型，具体的模型构造如下图 6 所示。
输出模型的 Embdding 数据，通过 MMoE[7]层和 3 层的 MLP 网络，失去预测的 pCTR、pCXR 后果。其中，模型的输出特色分为 5 种类型：1）用户特色；2）商家特色；3）上下文特色；4）序列特色；5）触发交互式举荐的商家特色。序列特色，蕴含了实时曝光、点击等序列，并且应用了 Micro-Behavior[8]详细信息。
触发交互式举荐的商家特色，蕴含商家的 embdding 示意、配送信息、优惠信息等，排序模型离 / 在线成果如下表所示。能够看出，比照首页 Feed 排序模型，优化后的交互式举荐排序在卡片效率上显著优于间接应用首页 Feed 排序模型的成果。
3.4.3 机制
为了更为灵便的承载业务指标，咱们引入了机制模块，指标是对排序阶段传过来的候选商家，依据不同业务指标进行程序调整（如 CTR、CXR、新颖性等）。最终，在兼顾新颖性的指标下，交互式举荐依照预估 CXR 排序，以最大化卡片和列表转化率。与此同时，咱们还从解决负面反馈、优化体验两方面进行了体验优化：
- 通过业务规定束缚来解决负面反馈，次要包含：反复曝光商家过滤、预下单商家过滤、同品牌商家过滤、用户不喜爱 & 黑名单商家过滤，以及防止插入配送费过高、配送间隔过远的商家。
- 在交互体验方面：1)通过在新颖性等指标上的摸索，给用户更丰盛的举荐体验；2）通过举荐理由的优化，为用户解释举荐起因。
3.4.4 透出
透出阶段，次要判断机制阶段传过来的 Top 1 的商家是否展现给用户。实践上，用户每次“触发”交互式举荐，零碎都有可能举荐一个新的商家进行展现。然而，不思考商家品质的举荐策略对用户体验和首页 Feed 成果都有很大伤害。因而，咱们摸索了卡片的透出策略，即机制阶段透传的 Top 1 卡片是否展现。
如下图 7 所示，商家展现区域划分为 ABCD 四个区域：交互式举荐插卡地位（A）、触发商家（B）、触发商家上文（C）、触发商家下文（D）。交互式卡片插入后，D 区域第一位商家下滑，动画成果会将用户的注意力吸引到交互式卡片 A 上。然而，用户是否在交互式举荐的商家 A 中成单，不仅和它是否满足用户偏好相干，还离不开和上下文商家 C、B、D 的比照成果——至多，A 应该比 C、B、D 区域的商家更合乎用户以后用意。
咱们更关注首页 Feed 的转化率，因而，当交互式举荐商家比同上下文的其余商家的 pCXR 更高时，这个商家才应该被曝光，其模式是：
随后，有几个问题：比照 B、C、D 区域哪些商家？交互式举荐商家 A 的 pCXR 要比比照商家高多少（通过公式 1 比例系数 α 管制）才应该被展现？对于后者，咱们通过试验得出；对于前者，咱们剖析如下：
- C 区域：用户曾经浏览过，点击 / 成单的可能性更低。显然，比照该区域商家意义不大。
- B 区域：用户“最近一次点击”&&“触发交互式举荐”的商家，用户对该商家很感兴趣。与其比拟看似有明确意义，但该商家能曝光，阐明是同类 / 类似商家中的佼佼者，在排序模型 / 特色不做改变的前提下，难以找到 pCXR 更好的商家。
- D 区域：用户未浏览到，交互式商家卡片 A 一旦展现，其插卡的动态效果同时会使得用户更留神该区域。因而，与这部分商家做比照更合乎直觉。
因为限度了卡片的透出条件，交互式卡片曝光量显著降落。试验证实，当交互式举荐卡片比照下 1 位商家卡片的 pCXR 更高时，其同地位订单增量最高，曝光页面 Page 占比损失起码，策略最优。咱们采纳该计划。从试验数据看出，比照下 N 位 pCXR 均值时，随着 N 取值的变动，会影响交互式卡片的曝光量和效率，其成果与间接调整 pCXR 的过滤阈值 α 等同。在理论生产环境中，选取“交互式举荐同地位订单增量”较高时的参数 α 即可，这里咱们取 1。
4. 总结与瞻望
本文介绍了咱们在首页 Feed 交互式举荐摸索尝试，其中次要包含：
- 依靠端智能的能力，联合外卖场景下的用户“多店比照”的选购特点，搭建了“动静插入单卡商家”的交互式举荐零碎。
- 充分考虑插入卡片对首页 Feed 上下文的影响，提出了“同地位订单增量”等指标，从匹配度、覆盖面两方面构建了“什么是好的交互式举荐零碎”的评估形式。
- 从业务了解、用户需要建模等方面登程，通过优化“触发 -> 召回 -> 排序 -> 机制 -> 透出”链路，晋升系统对用户用意了解的准度，优化用户体验。
目前，交互式举荐已在首页 Feed 全量，咱们也播种了如下的业务收益：
- 首页 Feed 千人成交额 +0.43%，首页 Feed 曝光新颖性 +1.16%。
- 交互式卡片绝对下一位天然商家的转化率 +132%。
将来，咱们将从以下方向进行摸索优化：
- 优化产品状态：从定制举荐理由、触发机会等多个角度持续优化交互式举荐的产品性能，并将动态化举荐能力扩大到外卖其余场景。
- 承载更多业务指标：在满足用户精准举荐的前提下，综合新颖性、多样性等多种差异化的业务指标，进行建模优化。
- 扩充端智能劣势：现有的交互式举荐零碎将特色解决、召回、排序、机制等流程都放在服务端实现，然而服务端 <-> 云端的性能限度了更多信息的加工利用，将来能够放到端上实现训练、预估，在实现“千人千模”的极致个性化体验的同时，无效爱护用户的隐衷。与此同时，咱们能够借助端智能的劣势，摸索端上重排序的计划。
5. 本文作者
| 姬晨、亚成、王炜、成龙、姜飞、王聪、北海等，来自到家事业群 / 到家研发平台 / 搜寻举荐技术部。
| 姝阳、张婧等，来自到家事业群 / 外卖事业部 / 产品部。
6. 参考文献
- [1] Christakopoulou K, Beutel A, Li R, et al. Q&R: A two-stage approach toward interactive recommendation[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2018: 139-148.
- [2] Xinran He, Junfeng Pan, et al. Practical lessons from predicting clicks on ads at facebook. In Proceedings of the Eighth International Workshop on Data Mining for Online Advertising. ACM, 1–9, 2014.
- [3] Gong Y, Jiang Z, Feng Y, et al. EdgeRec: recommender system on edge in Mobile Taobao[C]//Proceedings of the 29th ACM International Conference on Information & Knowledge Management. 2020: 2477-2484.
- [4] 端智能在公众点评搜寻重排序的利用实际.
- [5] Po-Sen Huang, Xiaodong He, Jianfeng Gao, Li Deng, Alex Acero, and Larry Heck. 2013. Learning Deep Structured Semantic Models for Web Search Using Clickthrough Data (CIKM’13). Association for Computing Machinery, New York, NY, USA, 2333–2338.
- [6] Yue Shi, Martha Larson, and Alan Hanjalic. 2014. Collaborative Filtering beyond the User-Item Matrix: A Survey of the State of the Art and Future Challenges. ACM Comput. Surv. 47, 1, Article 3 (may 2014), 45 pages.
- [7] Jiaqi Ma, Zhe Zhao, Xinyang Yi, Jilin Chen, Lichan Hong, and Ed H Chi. 2018. Modeling task relationships in multi-task learning with multi-gate mixture-of-experts. In Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining. 1930–1939.
- [8] 美团外卖举荐情境化智能流量散发的实际与摸索.
- [9] Zhou G, Zhu X, Song C, et al. Deep interest network for click-through rate prediction[C]//Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining. 2018: 1059-1068.
浏览更多技术文章
| 在美团公众号菜单栏对话框回复【2022 年货】、【2021 年货】、【2020 年货】、【2019 年货】、【2018 年货】、【2017 年货】等关键词，可查看美团技术团队历年技术文章合集。
| 本文系美团技术团队出品，著作权归属美团。欢送出于分享和交换等非商业目标转载或应用本文内容，敬请注明“内容转载自美团技术团队”。本文未经许可，不得进行商业性转载或者应用。任何商用行为，请发送邮件至 tech@meituan.com 申请受权。
