团到店、到家的组织架构调整仍在继续，这一次轮到了外卖事业部。
据记者获悉，4月10日美团外卖在内部邮件中宣布新一轮组织调整。具体来说，撤销直营业务部，转而成立城市经营业务部，同时成立连锁业务部、供给探索部等，负责人年轻化、组织架构扁平化凸显。
在市场分析人士看来，美团此次组织架构的调整，不仅是对内部资源的重新分配，更是对市场趋势的主动适应。通过简化管理层级，加强一线团队的权力和自主性，美团有望进一步提升其市场响应速度和服务质量。
进入2024年，美团已经多次调整，一方面在推动管理结构的“年轻化”，另一方面也在不断回购。截至4月11日收盘，美团股价报收104.5港元，微涨0.67%，市值达6515.42亿港元。
< class="pgc-img">（图片来源于网络）
外卖走向更精细化、扁平化运营
撤销直营业务部，是此次架构调整最核心的部分。
此前这一部门的主要职责是负责全国直营城市及商家的经营管理，它的优势在于决策高效，总部下达的命令，各直营城市可立即执行。但缺点在于，每个直营城市很难根据自己城市的特点，更加自主的决策，从而影响城市业务的开展。
这次美团选择撤销直营业务部，转而成立城市经营业务部，想解决的就是这个问题。此前虽然直营业务部下也存在类似于城市经营的业务小组，但相对分散，这一次则将其直接整合为事业部。
一位接近美团的人士称，这一改变背后的逻辑是强调城市的精细化运营，未来做到“一城一策”，充分给予直营城市决策的灵活性和自主性。
精细化运营包含两层含义：一是提高运营的颗粒度，直营城市对所在城市商家的服务要优化；二是提高经营的效率，如何在相同的成本（或更低的成本）下，做出比以往更大的规模、更好的利润。
去年Q4，美团外卖的日均订单量达到了5700万单，全年日均单量则突破了5500万单，尽管完成了年初定下的目标，但这距离王兴期待的到2025年日均1亿单的目标，还有不小的距离。
< class="pgc-img">美团餐饮外卖各季度日均单量数据（单位：万单，不含闪购订单）
这次调整的另一重点，是成立连锁业务部，负责全国连锁商家及城市连锁商家的经营管理，背后的逻辑是将商户分层，对全国连锁商户进行单独施策。在外卖订单增速逐渐放缓之时，美团清楚的知道只有抓好连锁商家，才有可能打开外卖业务的想象力。
此前，一位美团外卖人士就曾透露，美团提升外卖单量的措施主要是两个，一是挖掘增量，尤其是下沉市场的开拓。按照年下单次数，美团内部将外卖用户分为5档：30以下、30至50、50至80、80至120和120以上。“过去两年，下单次数在30以下的用户，下单频次并没有明显增长”，一位美团中层称。从地域分布看，这部分用户主要集中在下沉市场。
再是提升存量市场的订单规模。美团内部的观察是，年下单次数在50-80和80-120的用户，过去2年增长最为迅速，他们大多位于一二线城市，如何继续提升他们的下单频率，加强头部连锁的供给是最有效的手段之一。
相比于中小商家，头部商家带来的订单规模不可同日而语，而一个头部品牌的上百家门店，远比100个小商家入驻的经营成本要低。
巧合的是，这次外卖事业部的调整，与前不久抖音本地生活的调整如出一辙。后者抛弃了此前按照类目划分部门的逻辑，转而按地域重组为北、中、南三个大区，以及服务全国连锁大商户的NKA部门。但它们共同的指向，其实都是更精细化的运营。
“这可能与王莆中统管到店和到家有关”，一位知情人士透露，自今年初到任后，美团高级副总裁王莆中一直在做到店和到家整合，企图精简组织架构，以更加的效率的应对外部竞争。
一位知情人士表示，王莆中现在传递给内部的信号就是“资源整合，合理投入”。在外卖做出调整后，到店的相关调整或许也会很快来到。
美团外卖推进团队年轻化
记者注意到，在此次调整中，外卖事业部下新增了城市经营业务部、连锁业务部和供给探索部三个部门，分别由黄小芹、李嘉怡和初征担任负责人。这些新成立的部门将直接向外卖事业部负责人薛冰汇报。
同时，原直营业务部校园业务部继续由吴敏负责，王冠杰被任命为神抢手负责人，毛慧宁则担任外卖用户增长及运营部负责人。毛慧宁的职责中，实线向美团平台用户增长与运营部负责人周默汇报，虚线向薛冰汇报。
此外，王诗雨调任境外业务，孙沐杰被任命为外卖事业部经营规划部负责人，同样向薛冰汇报。
除人员年轻化外，核心团队与一线距离更近。
例如此前外卖事业部下设了直营业务部，直营业务部下又分为连锁业务、校园业务等，如今中间直营业务部直接取消，从组织决策效率上看，更有利于及时捕捉用户和商户的需求变化，并迅速做出业务创新。
在业务创新方面，今年以来，美团外卖已经推出了包括卫星店在内的多个创新项目。
在4月8日的2024中国连锁餐饮峰会上，薛冰正式推出了“品牌卫星店”万店返佣计划。该计划包括6个月的佣金返还、超过1亿元的流量扶持，以及免费的AI选址、选品、精准营销服务等三大扶持措施。薛冰表示，该计划的推出旨在帮助品牌商家解决开店选址、流量转化、投入过高等问题，快速抢占“质价比”时代的消费红利。
一位不愿具名的互联网分析师表示，企业的增长引擎在切换的过程中都会发生调整，这一系列的人事调整，是美团自今年初以来对核心本地商业业务架构调整的进一步深化。
今年2月份，美团将到店交给王莆中管理。3月18日，美团宣布成立平台产品部，并在平台产品部下设设计部，整合美团到店、到家等设计部资源。区别于2月的事业群的整合，这次变动则是聚焦于核心本地商业业务内部的化零为整。
3月19日，美团再次以内部信形式宣布新一轮业务负责人的轮岗任命计划。其中，美团副总裁魏巍将负责到店餐饮事业部，外卖履约平台负责人岗位由章若愚接任，而校招应届生出身的薛冰则成为了外卖事业部负责人。
在美团2023年第四季度财报业绩会议上，有分析师问及近期组织结构调整变化的细节、目的和协同效应问题。“这些业务将在王莆中的带领之下，将能够更好地支持核心电商业务流量和产品的长期发展。”王兴对此回答，团队的整合可以帮助更好地识别消费者需求，增强美团产品和定价竞争力，也将改善消费者体验，强化美团是本地服务首选平台的消费观念。
“总的来说，这次调整是我们的一次战略布局，相信可以为未来的发展奠定基础，为商家和消费者提供更好、更全面的服务。”王兴回答道。（来源：财联社、36氪）
< class="pgc-img">| 职业餐饮网 程三月
“翻新”的烘焙是当之无愧的餐饮黑马！
它扛着“国潮化”的大旗，成为年轻人的心头好，让资本热情“糕”涨。“肉松小贝”、“经典桃酥”、“无水蜂蜜蛋糕”，一个个明星单品横空出世，撑起一个个烘焙品牌一炮走红！
然而，荣光与争议并存，资本退潮下，烘焙赛道开始降温，单店盈利能力亦被人质疑。
国潮点心真的只是“三分钟”热度吗？烘焙江湖还有新蛋糕可以“分羹”吗？
今天（5月25日），美团餐饮数据观独家重磅发布了《2022烘焙品类发展报告》，试图从行业规模、发展现状、品牌进化维度，探讨烘焙的发展思路，为行业诠释该品类的基本面，从而窥探出这个古老赛道变革中的新机遇。
点击图片立即获取《2022烘焙品类发展报告》完整版！
烘焙赛道“降温”，
关店、收缩、撤退成关键词！
烘焙赛道近两年热闹非凡。
前有虎头局、墨茉点心局、泸溪河等新中式烘焙品牌争相成为资本追捧的对象，动辄融资上亿。
后有奈雪开“戏院”，卖新中式点心；就连知名熟食连锁品牌一手店也开了一家全新模式的融合店，一边卖哈尔滨红肠，一边卖日式吐司，杀入烘焙赛道。
图/《2022烘焙品类发展报告》
一时间群雄逐鹿，但真的有那么香吗？
1、市场规模将超3000亿，但“龙头”品牌尚未出现
烘焙类食品按种类可分为面包、糕点、蛋糕和其它甜品，餐饮烘焙又可统划为蛋糕、西点和中点三类。
目前，中国休闲食品行业规模已破万亿，烘焙类食品以21%的份额独占鳌头，并且发展势头迅猛。
美团餐饮数据观数据显示，2016~2020年中国烘焙业年复合增速超11%，这个数据远高于全球烘焙行业市场规模增速。其中2020年行业整体销售额超2500亿元，预计2022年将突破3000亿元大关。
图/《2022烘焙品类发展报告》
但中国烘焙市场整体仍处于初步发展阶段，市场格局高度分散。
头部烘焙企业年收入尚不足百亿，市场占有率最高的达利食品，份额也只有3.7%左右。从餐饮门店端看，中式糕点品牌集中度最高，CR5超过20%， 其次是生日蛋糕，CR5约15%，西式甜点品牌集中度最低, CR5不到5%。
没有一个所谓的全国连锁烘焙品牌门店超过千家，可以说，整个烘焙行业还没有出现真正的龙头企业。
图/《2022烘焙品类发展报告》
大多数烘焙品牌还保有夫妻老婆店的典型特征，并仍占主导地位，2022年（截至目前）单店占比近68%。
但近两年行业连锁化水平在逐步提高，其中，10~100家规模门店数占比约12%，近两年增速明显；100~300家门店规模的品牌门店数占比6%，近两年则呈现小幅上升趋势。
图/《2022烘焙品类发展报告》
2、西式点心和蛋糕市场红利期已过，中式糕点“后来居上”
西式点心、生日蛋糕和中式糕点作为烘焙的主要细分品类，呈现出“冰火两重天”的态势。
美团餐饮数据观数据显示，截止2022年3月，生日蛋糕品类在线门店数增速点位至10%左右，在过去一年内，增速逐渐放缓；西式点心品类门店数增速自2021年11月以来，首次下降到个位数。
图/《2022烘焙品类发展报告》
这意味着，在此两个细分烘焙餐饮类型，品牌商家即将迎来存量竞争阶段，市场纯红利期已过。
广州26年烘焙品牌东海堂、知名烘焙品牌宜芝多、杭州浮力森林等老牌烘焙品牌在去年陆续迎来“关店潮”就是佐证。
而中式糕点依托国潮文化出圈，有望后来居上，虽然它更为小众，但市场增速最快，2021年订单量同比增速为124%。
中式糕点高速增长
图/《2022烘焙品类发展报告》
3、“尝鲜”趋向明显，烘焙圈现“遗忘曲线”，淘汰率上升
然而，不得不令人注意的是，不管是传统烘焙品牌还是红极一时的网红品牌，关店、收缩、撤退几乎是最近几年的发展关键词。
美团餐饮数据观数据显示，虽然中式糕点的门店增速依然超过100%，但较去年同期也已经明显收窄。
一方面是因为资本热的退潮。据不完全统计，2021年烘焙品牌融资事件10起，但今年因疫情的持续影响，资本“降温”，依托资本的品牌也迎来窗口整合期，扩张更为理性。
中式糕点在线门店数增速下降
图/《2022烘焙品类发展报告》
另一方面，粘性不足，复购率低。新中式烘焙和新式茶饮一样，都具有网红属性，而烘焙的消费粘性明显不足。美团餐饮数据观数据显示，2021年人均交易频次仅1次的，烘焙远高于茶饮；而高于5次的，烘焙品类全部落后茶饮。
烘焙产品更具有“尝鲜性”
图/《2022烘焙品类发展报告》
再加上，当代年轻人没有“味蕾忠诚”可言，尝鲜过后就“遗忘”。大多数网红品牌都存在同质化问题，芝士蛋糕、脏脏包等火遍全网后，逐步被人遗忘，即便是还没走出消费者“遗忘曲线”的鲍师傅肉松小贝，声量也已经大不如从前，取而代之的是现烤麻薯、芝士脆、桃酥等新中式点心......
图/《2022烘焙品类发展报告》
一个个爆品“你方唱罢我登场”的背后，新旧品牌上演着“海水与火焰”的洗牌更替。美团餐饮数据观数据显示，2021年烘焙门店的闭店率上升到了23.77%。
从网红迈向“长红”，
烘焙江湖还有哪些新机遇？
千亿级的烘焙市场还在持续增长，洗牌中往往暗藏更多机遇。
烘焙要想摆脱网红标签，在迈向长红的过程中，还有哪些蓝海尚未被挖掘？从数据看未来，我们摘取了报告中的6个趋势。
模式进阶
1、门店现烤，“零食”属性已现，下午茶场景更突出
中国烘焙业从盼盼、桃李等一批长保烘焙企业占主导的1.0时期，逐步过渡到更注重新鲜的短保产品的2.0时期；但如今已经进阶到了3.0时期，更加强调门店现做，依托线下连锁，一批主打正餐、下午茶的品牌脱颖而出。
目前烘焙业的四大经营模式
图/《2022烘焙品类发展报告》
烘焙“短保转现”、零食化属性更加凸显，这特征在中式烘焙上格外明显。
相对传统糕点，墨茉、虎头局等当红烘焙品牌都把产品变小了，“一口一个”的小糕点，门店现烤一个人买了能吃，一起也能分享，吃不完还能带回家，促使更大的下单意愿，企业的交易成本降低了，顾客的决策成本也降低了。
而且休闲属性更强，相对于有主食性质、饱腹感强的糕点来说，产品颗粒度更小了，就更靠近零食了，食用的场景，尤其是下午茶这种休闲场景中，下单量更高于其他时段。
图/《2022烘焙品类发展报告》
2、变小增效，10~15%净利润是优秀单店模型
对于主打“短保现做”的主流餐饮烘焙品牌来说，原料侧的成本很难压缩，那就得靠门店模型不断优化。
以墨茉为例，其把门店模型做小，40平米左右的门店，开在商场里，产品sku也更精简，20个左右。在这种情况下，坪效更高，早期在长沙的32平方门店，一个月最高160万，北京大悦城店，35-40平米，最高一个月179万。利润率方面，其毛利率之前做到60%，进口原材料成本提高，现在55%，净利率10%-15%，是不错的水平。
图/《2022烘焙品类发展报告》
但如果是烘焙创业者要入局的话，档口品牌化或许是首选进击路径。
美团调研问卷显示，约有14%的品牌依托档口发展自己的品牌，而档口品牌化非常适合起步阶段，因成本比例相对较小，同时对于管理的难度不是很大，除了美食档口，可关注学校或者企事业团餐资源，可以选择嵌入。
图/《2022烘焙品类发展报告》
品类创新
3、客单10~40元，用“养生、联名”俘获Z世代的心
我们再来看看吃糕点的都是些什么人？又愿意花多少钱？
报告中显示，从性别看，烘焙的客群主要以女性为主，其中中式糕点类用户女性占比接近74%；从年龄看，90后以上的Z世代是消费主力军，占比超过50%。
烘焙消费者的性别（上）和年龄（下）分布
图/《2022烘焙品类发展报告》
在客单上，西式点心和中式糕点的订单量按实付价格区间分布非常接近，主要都是集中在10~40元单价区间，其中20~40元单价占比均超过45%。
图/《2022烘焙品类发展报告》
即使是节日性质和仪式感消费占据主流的高客单品类——蛋糕，也可以明显看出，20~30元的产品类型逐渐提高，这说明品牌开始做小份化的处理，使蛋糕和甜品的边界逐渐融合，切片蛋糕更是成为一个消费主流。
而要俘获Z世代的芳心，烘焙品牌有两个方向：
一是“养生烘焙”。大健康趋势下，作为朋克养生一族，Z世代对于烘焙甜品健康的标准在提升，对于食品原料愈发关注，从低脂低糖，到趋于零反式脂肪酸；从全麦高纤维，到无添加。
二是“联名”。中点西做、国潮设计的精致网红点心火爆社交圈，除了高颜值，跨界联名也是一大方式。
图/《2022烘焙品类发展报告》
4、大单品“破局”，引流提爆款，套餐引复购
估值100亿的鲍师傅的“王牌”是肉松小贝、排队至少2小时的泸溪河平均每秒就卖出1斤桃酥、墨茉点心局的麻薯在烘焙圈更是掀起了旋风……不难看出，大爆品是烘焙品牌的出圈神器。
美团《2022年烘焙品类发展报告中》也指出，目前烘焙品牌的发展思路多为：大单品突破+多品类+快速推新法，分别对应超级单品、基础单品、红利单品。
单品突破的好处很明显，一是有利于聚焦资源，把产品的研发、品牌等资源聚焦在一点，更容易建立起品牌护城河；二是有利于形成细分领域竞争优势，并且对于创业者来说，单品类管理难度小。
图/《2022烘焙品类发展报告》
但据美团问卷调查，大多数烘焙品牌SKU比较多，其中66%以上有50款以上的产品，且品类种类也在慢慢融合，既有糕点类，也有面包甜点类，这样虽然能满足大多数选择，却不利于品牌成本的优化以及门店效率的升级。
图/《2022烘焙品类发展报告》
这时候设置套餐标准化是个思路，以引流爆款外加毛利产品的组合，将社交和馈赠属性加强，一来提升了消费者到店并提高复购频次，二来具备高客单价的SKU也有利于产品溢价。
市场突围
5、下沉市场进攻“洼地”，品牌更易找到空间
烘焙市场哪里还有蓝海呢？下沉或许还有更多机会。
报告中显示，无论从门店增速还是城市品类交易额增长，高线城市已趋于饱和，而三线以下所代表的下沉市场保持一个超高增长阶段。
图/《2022烘焙品类发展报告》
如果细化到地域，不同的省份潜力不同。
从门店数绝对值来看，广东省、江苏省、山东省稳居前列，再加上河南省以及浙江省，门店数合计占比超过40%；
从门店数年同比增速来看，贵州、宁夏、甘肃、新疆、江西、青海、云南等原来门店基数较小的地区，2022年门店数增速相对较高，超过10%。
图/《2022烘焙品类发展报告》
（温馨提示：欲知具体城市的烘焙市场发展现状，点击此处获取报告全文）
6、“长红”更需具备规模化能力，跨过品牌生命周期
回看这波新中式烘焙品牌热潮，在有钱、有团队、有战略的前提下，新烘焙品牌通过创造爆款、用钱狂砸渠道的方式，实现了短期内爆红。
但从网红到长红，跨越周期并不是件容易的事。有行业专家直言：目前市面上9成以上的网红品牌，将在5年内消失殆尽，有些时间更短。
对于烘焙品牌来说，它唯一的抗周期性就体现在规模化上——只有和时间赛跑，才能快速抢占消费者心智，以足够多的资金去驱动企业的产品研发、战略调整、投资并购等，尽可能通过第二曲线延长自己的生命线。
图/《2022烘焙品类发展报告》
但从目前线上品牌增长情况看，除好利来、鲍师傅等少数品牌能够进行全国拓张外，各类型烘焙细分类型门店增速最快的品牌一般集中在区域市场的省会城市，并且逐步诞生了区域为主的头部品牌。
因为相较于小吃小喝以供应链先行的标准拓张打法不同，烘焙由于SKU较多，供应链管控和建设能力较弱，一般是先以门店探索扩张，在当地站稳脚跟后逐步建设中央工厂和物流体系，因此限制了快速扩张的能力。
图/《2022烘焙品类发展报告》
职业餐饮网小结：
在餐饮行业，资本烧得出规模，但烧不出长命。
新中式烘焙赛道火热，得力于资本烧钱跑马圈地，但却很难保证日后可以烧出消费者的忠诚度和复购率。
如今，随着资本的退潮，烘焙赛道也更加回归理性。但在网红与长红之间，烘焙品牌还需更多考虑如何穿越周期，这个过程急不得，需要打磨、更需沉淀。
毕竟，做有生命力的品牌是一件难而正确的事情。
<>言
“ I’m sorry. I can’t do that, Dave.” 这是经典科幻电影《2001: A Space Odyssey》里HAL 9000机器人说的一句话，浓缩了人类对终极人工智能的憧憬。让机器学会说这样简单一句话，需要机器具备情感认知、自我认识以及对世界的认识，来辅助机器处理接收到的各种信息，了解信息背后的意思，从而生成自己的决策。而这些认知模块的基础，都需要机器具备知识学习组织推理的能力，知识图谱就是为实现这些目标而生。
< class="pgc-img">今年5月，美团NLP中心开始构建大规模的餐饮娱乐知识图谱——美团大脑，它将充分挖掘关联各个场景数据，用AI技术让机器“阅读”用户评论数据，理解用户在菜品、价格、服务、环境等方面的喜好，挖掘人、店、商品、标签之间的知识关联，从而构建出一个“知识大脑”。美团大脑已经在公司多个业务中初步落地，例如智能搜索推荐、智能金融、智能商户运营等。
此前，《美团大脑：知识图谱的建模方法及其应用》一文，介绍了知识图谱的分类及其具体应用，尤其是常识性知识图谱及百科全书式知识图谱分别是如何使用的。之后我们收到非常多的反馈，希望能进一步了解“美团大脑”的细节。为了让大家更系统地了解美团大脑，NLP中心会在接下来一段时间，陆续分享一系列技术文章，包括知识图谱相关的技术，美团大脑背后的算法能力，千亿级别图引擎建设以及不同应用场景的业务效果等等，本文是美团大脑系列的第一篇文章。
迈向认知智能
海量数据和大规模分布式计算力，催生了以深度学习为代表的第三次（1993-目前）人工智能高潮。Web 2.0产生的海量数据给机器学习和深度学习技术提供了大量标注数据，而GPU和云计算的发展为深度学习的复杂数值计算提供了必要算力条件。深度学习技术在语音、图像领域均取得了突破性的进展，这表示学习技术成果使得机器首次在感知能力上达到甚至超越了人类的水平，人工智能已经进入感知智能阶段。
然而，随着深度学习被广泛应用，其局限性也愈发明显。
- 缺乏可解释性：神经网络端到端学习的“黑箱”特性使得很多模型不具有可解释性，导致很多需要人去参与决策，在这些应用场景中机器结果无法完全置信而需要谨慎的使用，比如医学的疾病诊断、金融的智能投顾等等。这些场景属于低容错高风险场景，必须需要显示的证据去支持模型结果，从而辅助人去做决策。
- 常识（Common Sense）缺失：人的日常活动需要大量的常识背景知识支持，数据驱动的机器学习和深度学习，它们学习到的是样本空间的特征、表征，而大量的背景常识是隐式且模糊的，很难在样本数据中进行体现。比如下雨要打伞，但打伞不一定都是下雨天。这些特征数据背后的关联逻辑隐藏在我们的文化背景中。
- 缺乏语义理解。模型并不理解数据中的语义知识，缺乏推理和抽象能力，对于未见数据模型泛化能力差。
- 依赖大量样本数据：机器学习和深度学习需要大量标注样本数据去训练模型，而数据标注的成本很高，很多场景缺乏标注数据来进行冷启动。
数据知识驱动AI能力对比
从人工智能整体发展来说，综上的局限性也是机器从感知智能向认知智能的迁跃的过程中必须解决的问题。认知智能需要机器具备推理和抽象能力，需要模型能够利用先验知识，总结出人可理解、模型可复用的知识。机器计算能力整体上需要从数据计算转向知识计算，知识图谱就显得必不可少。知识图谱可以组织现实世界中的知识，描述客观概念、实体、关系。这种基于符号语义的计算模型，一方面可以促成人和机器的有效沟通，另一方面可以为深度学习模型提供先验知识，将机器学习结果转化为可复用的符号知识累积起来。
知识究竟是什么呢？知识就是有结构的信息。人从数据中提取有效信息，从信息中提炼有用知识，信息组织成了结构就有了知识。知识工程，作为代表人工智能发展的主要研究领域之一，就是机器仿照人处理信息积累知识运用知识的过程。而知识图谱就是知识工程这一领域数十年来的代表性研究方向。在数据还是稀有资源的早期，知识图谱的研究重点偏向语义模型和逻辑推理，知识建模多是自顶向下的设计模式，语义模型非常复杂。其中典型工作，是在1956年人工智能学科奠基之会——达特茅斯会议上公布的“逻辑理论家”（Logic Theorist）定理证明程序，该程序可以证明《数学原理》中的部分定理。伴随着Web带来前所未有的数据之后，知识图谱技术的重心从严谨语义模型转向海量事实实例构建，图谱中知识被组织成<主，谓，宾>三元组的形式，来表征客观世界中的实体和实体之间的关系。比如像名人的维基百科词条页面中，Infobox卡片都会描述该名人的国籍信息，其结构就是<人，国籍，国家>这样的三元组。
互联网公司知识图谱布局
目前，知识图谱已被广泛应用在问答、搜索、推荐等系统，已涉及金融、医疗、电商等商业领域，图谱技术成为“兵家必争”之地。微软于2010年开始构建Satori知识图谱来增强Bing搜索；Google在2012年提出 Knowledge Graph概念，用图谱来增强自己的搜索引擎；2013年Facebook发布Open Graph应用于社交网络智能搜索；2015年阿里巴巴开始构建自己的电商领域知识图谱；2016年Amazon也开始构建知识图谱。
美团大脑
2018年5月，美团点评NLP中心开始构建大规模的餐饮娱乐知识图谱——美团大脑。美团点评作为中国最大的在线本地生活服务平台，覆盖了餐饮娱乐领域的众多生活场景，连接了数亿用户和数千万商户，积累了宝贵的业务数据，蕴含着丰富的日常生活相关知识。在建的美团大脑知识图谱目前有数十类概念，数十亿实体和数百亿三元组，美团大脑的知识关联数量预计在未来一年内将上涨到数千亿的规模。
美团大脑将充分挖掘关联各个场景数据，用AI技术让机器“阅读”用户评论和行为数据，理解用户在菜品、价格、服务、环境等方面的喜好，构建人、店、商品、场景之间的知识关联，从而形成一个“知识大脑”。相比于深度学习的“黑盒子”，知识图谱具有很强的可解释性，在美团跨场景的多个业务中应用性非常强，目前已经在搜索、金融等场景中初步验证了知识图谱的有效性。近年来，深度学习和知识图谱技术都有很大的发展，并且存在一种互相融合的趋势，在美团大脑知识构建过程中，我们也会使用深度学习技术，把数据背后的知识挖掘出来，从而赋能业务，实现智能化的本地生活服务，帮助每个人“Eat Better, Live Better”。
知识图谱技术链
知识图谱技术链
知识图谱的源数据来自多个维度。通常来说，结构化数据处理简单、准确率高，其自有的数据结构设计，对数据模型的构建也有一定指导意义，是初期构建图谱的首要选择。世界知名的高质量的大规模开放知识库如Wikidata、DBPedia、Yago是构建通用领域多语言知识图谱的首选，国内有OpenKG提供了诸多中文知识库的Dump文件或API。工业界往往基于自有的海量结构化数据，进行图谱的设计与构建，并同时利用实体识别、关系抽取等方式处理非结构化数据，增加更多丰富的信息。
知识图谱通常以实体为节点形成一个大的网络，图谱的Schema相当于数据模型，描述了领域下包含的类型（Type），与类型下描述实体的属性（Property），Property中实体与实体之间的关系为边（Relation），实体自带信息为属性（Attribute）。除此之外Schema也会描述它们的约束关系。
美团大脑围绕用户打造吃喝玩乐全方面的知识图谱，从实际业务需求出发，在现有数据表之上抽象出数据模型，以商户、商品、用户等为主要实体，其基本信息作为属性，商户与商品、与用户的关联为边，将多领域的信息关联起来，同时利用评论数据、互联网数据等，结合知识获取方法，填充图谱信息，从而提供更加多元化的知识。
知识获取
知识获取是指从不同来源、不同结构数据中，抽取相关实体、属性、关系、事件等知识。从数据结构划分可以分为结构化数据、半结构化数据和纯文本数据。结构化数据指的关系型数据库表示和存储的二维形式数据，这类数据可以直接通过Schema融合，实体对齐等技术将数据提取到知识图谱中。半结构化数据主要指有相关标记用来分隔语义元素，但又不存在数据库形式的强定义数据，如网页中的表格数据、维基百科中的Infobox等等。这类数据通过爬虫、网页解析等技术可以将其转换为结构化数据。现实中结构化、半结构化数据都比较有限，大量的知识往往存在于文本中，这也和人获取知识的方式一致。对应纯文本数据获取知识，主要包括实体识别、实体分类、关系抽取、实体链接等技术。
实体作为知识图谱的核心单位，从文本中抽取实体是知识获取的一个关键技术。文本中识别实体，一般可以作为一个序列标注问题来进行解决。传统的实体识别方法以统计模型如HMM、CRF等为主导，随着深度学习的兴起，BiLSTM+CRF[1]模型备受青睐，该模型避免了传统CRF的特征模版构建工作，同时双向LSTM能更好地利用前后的语义信息，能够明显提高识别效果。在美团点评-美食图谱子领域的建设中，每个店家下的推荐菜（简称店菜）是图谱中的重要实体之一，评论中用户对店菜的评价，能很好地反映用户偏好与店菜的实际特征，利用知识获取方法，从评论中提取出店菜实体、用户对店菜的评价内容与评价情感，对补充实体信息、分析用户偏好、指导店家进行改善有着非常重要的意义。
BiLSTM+CRF模型
实体分类则是对抽取出的实体进行归类。当从文本中发现一个新的实体，给实体相应的Type是实体概念化的基本目标。比如用该实体的上下文特征与其他Type下的实体特征进行对比，将新实体归入最相似的Type中。此外，在Schema不完善的情况下，对大量实体进行聚类，进而抽象出每个簇对应的Type，是自底向上构建图谱的一个常用方法，在补充Type层的同时，也顺便完成了实体归类。
关系抽取，是从文本中自动抽取实体与实体之间的特定的语义关系，以补充图谱中缺失的关系，例如，从“干酪鱼原来是奶酪做的”中抽取出<干酪鱼，食材，奶酪>。关系抽取可以通过定义规则模版来获取，如匹配某种表达句式、利用文法语义特征等，但规则类方法消耗大量人力，杂质较多。基于Bootstrap Learning的方法利用少量种子实例或模版抽取新的关系，再利用新的结果生成更多模版，如此迭代，KnowItAll[2]、TextRunner[3]基于这类思想；远程监督（Distant Supervision）方法[4]把现有的三元组信息作为种子，在文本中匹配同时含有主语和宾语的信息，作为关系的标注数据。这两种方法解决了人力耗费问题，但准确率还有待提高。近期的深度学习方法则基于联合模型思想，利用神经网络的端对端模型，同时实现实体识别和关系抽取[5][6]，从而避免前期实体识别的结果对关系抽取造成的误差累积影响。
知识校验
知识校验贯穿整个知识图谱的构建过程。在初期的Schema设计过程中，需要严格定义Type下的Property，Property关联的是属性信息还是实体，以及实体所属的Type等等。Schema若不够规范，会导致错误传达到数据层且不易纠错。在数据层，通过源数据获取或者通过算法抽取的知识或多或少都包含着杂质，可以在Schema层面上，添加人工校验方法与验证约束规则，保证导入数据的规范性，比如对于<店A，包含，店菜B>关系，严格要求主语A的Type是POI，宾语B的Type是Dish。
而对于实体间关系的准确性，如上下位关系是否正确、实例的类型是否正确，实例之间的关系是否准确等，可以利用实体的信息与图谱中的结构化信息计算一个关系的置信度，或看作关系对错与否的二分类问题，比如<店A, 适合, 情侣约会>，对于“情侣约会”标签，利用店A的信息去计算一个权重会使得数据更有说服力。此外，如果涉及到其他来源的数据，在数据融合的同时进行交叉验证，保留验证通过的知识。当图谱数据初步成型，在知识应用过程中，通过模型结果倒推出的错误，也有助于净化图谱中的杂质，比如知识推理时出现的矛盾，必然存在知识有误的情况。
知识融合
知识融合主要解决多源异构数据整合问题，即从不同来源、不同结构但表达统一实体或概念的数据融合为一个实体或概念。融入来自多源数据的知识，必然会涉及知识融合工作，实体融合主要涉及Schema融合、实体对齐、实体链接等技术。
Schema是知识图谱的模型，其融合等价于Type层的合并和Property的合并。在特定领域的图谱中，Type与Property数量有限，可以通过人工进行合并。对于实例的对齐，可以看作一个寻找Top匹配的实例的排序问题，或者是否匹配的二分类问题，其特征可以基于实体属性信息、Schema结构化信息、语义信息等来获取。
实体对齐是多源数据融合中的重要过程。当数据来自于不同的知识库体系，需要分辨其描述的是同一个实体，将相关信息融合，最终生成该知识库中唯一的实体。这通常是一个求最相似问题或判断两个实体是否是同一个的二分类问题，实体名称、实体携带属性以及其结构化信息，都可以作为有用特征。同时，通过Type或规则限制，缩小匹配的实体范围。
一旦图谱构建完成，如何从文本中准确匹配上图谱中相应的实体，进而延伸出相关的背景知识，则是一个实体链接问题。实体链接[7] 主要依赖于实体Entity与所有Mention（文本文档中实体的目标文本）的一个多对多的映射关系表， 如 “小龙虾”这个Mention在图谱中实际对应的实体Entity可能是“麻辣小龙虾”的菜，也可能是“十三香小龙虾”的菜。对于从文本中识别出的Mention，利用上下文等信息，对其候选Entity进行排序，找出最可能的Entity。实体链接可以正确地定位用户所提实体，理解用户真实的表达意图，从而进一步挖掘用户行为，了解用户偏好。
实体链接（Entity linking）
美团大脑也参考并融入了多源的数据信息，知识融合是构建图谱的一个重要步骤。以美食领域子图谱为例，该图谱是由结构化数据和文本挖掘出来的知识融合而成，首要任务是将图谱中已构建的菜品通过菜名、口味、食材等方面的相似度将菜品与文本挖掘出来的菜品知识进行关联，其次还要对无法关联的菜品知识聚类抽象成一个菜品实体。知识的融合很大程度上增加了菜品的数量，丰富了菜品信息，同时为实体链接的映射关系表提供了候选对，有助于我们在搜索过程中，支持更多维度（如口味、食材）的查询。
知识表示
知识表示是对知识数据的一种描述和约定，目的是让计算机可以像人一样去理解知识，从而可以让计算机进一步的推理、计算。大多数知识图谱是以符号化的方法表示，其中RDF是最常用的符号语义表示模型，其一条边对于一个三元组<主语Subject，谓语Predicate，宾语Object>，表达一个客观事实，该方法直观易懂，具备可解释性，支持推理。
而随着深度学习的发展，基于向量表示的Embedding算法逐渐兴起，其为每个实体与关系训练一个可表征的向量，该方法易于进行算法学习，可表征隐形知识并进一步发掘隐形知识。常用的Embedding模型有Word2Vec与Trans系列[8][9]，将会在之后的系列文章里进一步讲解。美团大脑参考Freebase的建模思想，以< Subject，Predicate，Object>的三元组形式将海量知识存储在分布式数据仓库中，并以CVT（Compound Value Type）设计承载多元数据，即抽象一个CVT的实例来携带多元信息，图为一个知识表示的例子。与此同时，美团大脑基于上亿节点计算Graph Embedding的表征，并将结果应用到搜索领域中。
美团大脑知识表示
知识推理
基于知识图谱的推理工作，旨在依据现有的知识信息推导出新知识，包括实体关系、属性等，或者识别出错误关系。可以分为基于符号的推理与基于统计的推理，前者一般根据经典逻辑创建新的实体关系的规则，或者判断现有关系的矛盾之处，后者则是通过统计规律从图谱中学到新的实体关系。
利用实体之间的关系可以推导出一些场景，辅助进行决策判断。美团大脑金融子图谱利用用户行为、用户关系、地理位置去挖掘金融领域诈骗团伙。团伙通常会存在较多关联及相似特性，图谱中的关系可以帮助人工识别出多层、多维度关联的欺诈团伙，再利用规则等方式，识别出批量具有相似行为的客户，辅助人工优化调查，同时可以优化策略。
知识推理在金融场景应用
知识赋能
知识图谱含有丰富的语义信息，对文本有基于语义的更为深入的理解，在推荐、搜索、问答等领域能提供更加直接与精确的查询结果，使得服务更加智能化。
个性化推荐通过实体与实体之间的关系，利用用户感兴趣的实体，进一步扩展用户偏好的相似的实体，提供可解释性的推荐内容。一方面，图谱提供了实体在多个维度的特征信息，另一方面，表示学习向量带有一定的语义信息，使得寻找推荐实体更接近目标实体或更偏向用户喜好。
语义搜索，是指搜索引擎对Query的处理不再拘泥于字面本身，而是抽象出其中的实体、查询意图，通过知识图谱直接提供用户需要的答案，而不只是提供网页排序结果，更精准的满足用户的需求。当前Google、百度、神马搜索都已经将基于知识图谱的语义搜索融入到搜索引擎中，对于一些知识性内容的查找，能智能地直接显示结果信息。
美团大脑的业务应用
依托深度学习模型，美团大脑充分挖掘、关联美团点评各个业务场景公开数据（如用户评价、菜品、标签等），正在构建大规模的餐饮娱乐“知识大脑”，并且已经开始在美团不同业务中进行落地，利用人工智能技术全面提升用户的生活体验。
智能搜索：帮助用户做决策
知识图谱可以从多维度精准地刻画商家，已经在美食搜索和旅游搜索中应用，为用户搜索出更适合Ta的店。基于知识图谱的搜索结果，不仅具有精准性，还具有多样性，例如：当用户在美食类目下搜索关键词“鱼”，通过图谱可以认知到用户的搜索词是“鱼”这种“食材”。因此搜索的结果不仅有“糖醋鱼”、“清蒸鱼”这样的精准结果，还有“赛螃蟹”这样以鱼肉作为主食材的菜品，大大增加了搜索结果的多样性，提升用户的搜索体验。并且对于每一个推荐的商家，能够基于知识图谱找到用户最关心的因素，从而生成“千人千面”的推荐理由，例如在浏览到大董烤鸭店的时候，偏好“无肉不欢”的用户A看到的推荐理由是“大董的烤鸭名不虚传”，而偏好“环境优雅”的用户B，看到的推荐理由就是“环境小资，有舞台表演”，不仅让搜索结果更具有解释性，同时也能吸引不同偏好的用户进入商家。
知识图谱在点评搜索中应用
对于场景化搜索，知识图谱也具有很强的优势，以七夕节为例，通过知识图谱中的七夕特色化标签，如约会圣地、环境私密、菜品新颖、音乐餐厅、别墅餐厅等等，结合商家评论中的细粒度情感分析，为美团搜索提供了更多适合情侣过七夕节的商户数据，用于七夕场景化搜索的结果召回与展示，极大的提升了用户体验和用户点击转化。
在NLP中心以及大众点评搜索智能中心两个团队的紧密合作下，依赖知识图谱技术和深度学习技术对搜索架构进行了整体的升级。经过5个月时间，点评搜索核心指标在高位基础上仍然有非常明显的提升。
ToB商户赋能：商业大脑指导店老板决策
美团大脑正在应用于SaaS收银系统专业版，通过机器智能阅读每个商家的每一条评论，可以充分理解每个用户对于商家的感受，针对每个商家将大量的用户评价进行归纳总结，从而可以发现商家在市场上的竞争优势/劣势、用户对于商家的总体印象趋势、商家的菜品的受欢迎程度变化。进一步，通过细粒度用户评论全方位分析，可以细致刻画商家服务现状，以及对商家提供前瞻性经营方向。这些智能经营建议将通过美团SaaS收银系统专业版定期触达到各个商家，智能化指导商家精准优化经营模式。
传统给店老板提供商业分析服务中主要聚焦于单店的现金流、客源分析。美团大脑充分挖掘了商户及顾客之间的关联关系，可以提供围绕商户到顾客，商户到所在商圈的更多维度商业分析，在商户营业前、营业中以及将来经营方向，均可以提供细粒度运营指导。
在商家服务能力分析上，通过图谱中关于商家评论所挖掘的主观、客观标签，例如“服务热情”、“上菜快”、“停车免费”等等，同时结合用户在这些标签所在维度上的Aspect细粒度情感分析，告诉商家在哪些方面做的不错，是目前的竞争优势；在哪些方面做的还不够，需要尽快改进。因而可以更准确地指导商家进行经营活动。更加智能的是，美团大脑还可以推理出顾客对商家的认可程度，是高于还是低于其所在商圈的平均情感值，让店老板一目了然地了解自己的实际竞争力。
在消费用户群体分析上，美团大脑不仅能够告诉店老板来消费的顾客的年龄层、性别分布，还可以推理出顾客的消费水平，对于就餐环境的偏好，适合他们的推荐菜，让店老板有针对性的调整价格、更新菜品、优化就餐环境。
金融风险管理和反欺诈：从用户行为建立征信体系
知识图谱的推理能力和可解释性，在金融场景中具有天然的优势，NLP中心和美团金融共建的金融好用户扩散以及用户反欺诈，就是利用知识图谱中的社区发现、标签传播等方法来对用户进行风险管理，能够更准确的识别逾期客户以及用户的不良行为，从而大大提升信用风险管理能力。
在反欺诈场景中，知识图谱已经帮助金融团队在案件调查中发现并确认多个欺诈案件。由于团伙通常会存在较多关联及相似特性，关系图可以帮助识别出多层、多维度关联的欺诈团伙，能通过用户和用户、用户和设备、设备和设备之间四度、五度甚至更深度的关联关系，发现共用设备、共用Wi-Fi来识别欺诈团伙，还可在已有的反欺诈规则上进行推理预测可疑设备、可疑用户来进行预警，从而成为案件调查的有力助手。
未来的挑战
知识图谱建设过程是美团第一次摸索基于图的构建/挖掘/存储/应用过程，也遇到了很多挑战，主要的挑战和应对思路如下：
（1）数据生成与导入
- 难点：Schema构建和更新；数据源多，数据不一致问题；数据质检。
- 应对思路：通过针对不同的数据进行特定清洗，元数据约束校验、业务逻辑正确性校验等，设置了严格的数据接入和更新规范。
（2）知识挖掘
- 难点：知识的融合、表征、推理和验证。
- 应对思路：通过借鉴文本中的词向量表征，为知识建立统一的语义空间表征，使得语义可计算，基于深度学习和知识表示的算法进行推理。
（3）百亿图存储及查询引擎
- 难点：数据的存储、查询和同步，数据量极大，没有成熟开源引擎直接使用。
- 应对思路：构建分层增量系统，实时增量、离线增量、全量图三层Merge查询，减少图更新影响范围。同时建设完整的容灾容错、灰度、子图回滚机制。基于LBS等业务特点合理切分子图View，构建分布式图查询索引层。
（4）知识图谱应用挑战
- 难点：算法设计，系统实现难和实时应用。
- 应对思路：知识图谱的应用算法则需要有效融合数据驱动和知识引导，才能提升算法效果和提供更好的解释性，属于研究前沿领域。百亿甚至千亿关系规模下，需要设计和实现分布式的图应用算法，这对算法和系统都有重大的挑战。
总而言之，为打造越来越强大的美团大脑，NLP中心一方面利用业界前沿的算法模型来挖掘关联以及应用知识，另一方面，也在逐步建立国内领先的商业化分布式图引擎系统，支撑千亿级别知识图谱的实时图查询、图推理和图计算。在未来的系列文章中，NLP中心将一一揭秘这背后的创新性技术，敬请期待。
致谢
在美团大脑的建设过程中，NLP中心与多团队紧密配合，合作共赢建设知识基础能力，在此非常感谢数据仓库团队、搜索团队、点评内容研发/挖掘团队，以及美团旅游团队等兄弟团队共建知识体系。
非常感谢搜索智能中心、金融平台、SaaS收银等各业务团队的紧密合作共建，让美团大脑逐步在应用场景中落地，更好的服务于C端用户和B端商家。
参考文献
[1] Huang, Zhiheng, Wei Xu, and Kai Yu. "Bidirectional LSTM-CRF models for sequence tagging." arXiv preprint arXiv:1508.01991 (2015).
[2] Etzioni, Oren, et al. "Unsupervised named-entity extraction from the web: An experimental study." Artificial intelligence165.1 (2005): 91-134.
[3] Banko, Michele, et al. "Open information extraction from the web." IJCAI. Vol. 7. 2007.
[4] Mintz, Mike, et al. "Distant supervision for relation extraction without labeled data." Proceedings of the Joint Conference of the 47th Annual Meeting of the ACL and the 4th International Joint Conference on Natural Language Processing of the AFNLP: Volume 2-Volume 2. Association for Computational Linguistics, 2009.
[5] Zheng, Suncong, et al. "Joint entity and relation extraction based on a hybrid neural network." Neurocomputing 257 (2017): 59-66.
[6] Zheng, Suncong, et al. "Joint extraction of entities and relations based on a novel tagging scheme." arXiv preprint arXiv:1706.05075 (2017).
[7] Shen, Wei, Jianyong Wang, and Jiawei Han. "Entity linking with a knowledge base: Issues, techniques, and solutions." IEEE Transactions on Knowledge and Data Engineering 27.2 (2015): 443-460.
[8] Bordes, Antoine, et al. "Translating embeddings for modeling multi-relational data." Advances in neural information processing systems. 2013.
[9] Wang, Zhen, et al. "Knowledge Graph Embedding by Translating on Hyperplanes." AAAI. Vol. 14. 2014.
作者简介
仲远，博士，美团AI平台部NLP中心负责人，点评搜索智能中心负责人。在国际顶级学术会议发表论文30余篇，获得ICDE 2015最佳论文奖，并是ACL 2016 Tutorial “Understanding Short Texts”主讲人，出版学术专著3部，获得美国专利5项。此前，他曾担任微软亚洲研究院主管研究员，以及美国Facebook公司Research Scientist。曾负责微软研究院知识图谱、对话机器人项目和Facebook产品级NLP Service。
富峥，博士，美团AI平台NLP中心研究员，目前主要负责美团大脑项目。在此之前，他在微软亚洲研究院社会计算组担任研究员，并在相关领域的顶级会议和期刊上发表30余篇论文，曾获ICDM2013最佳论文大奖，出版学术专著1部。 曾担任ASONAM的工业界主席，IJCAI、WSDM、SIGIR等国际会议和TKDE、TOIS、TIST等国际期刊的评审委员。
王珺，博士，美团AI平台NLP中心产品和数据负责人。在此之前，王珺在阿里云负责智能顾问多产品线，推动建立了阿里云智能服务体系。
明洋，硕士，美团AI平台NLP中心知识图谱算法工程师。2016年毕业于清华大学计算机系知识工程实验室。
思睿，硕士，美团AI平台NLP中心知识图谱算法专家。此前在百度AIG知识图谱部负责知识图谱、NLP相关算法研究，参与了百度知识图谱整个构建及落地过程。
一飞，负责AI平台NLP中心知识图谱产品。目前主要负责美团大脑以及知识图谱落地项目。
梦迪，美团AI平台NLP中心知识图谱算法工程师，此前在金融科技公司文因互联任高级工程师及开放数据负责人，前清华大学知识工程实验室研究助理，中文开放知识图谱联盟OpenKG联合发起人。
欢迎加入美团机器学习技术交流群，跟作者零距离交流。进群方式：请加美美同学微信（微信号：MTDPtech02），回复：机器学习，美美会自动拉你进群。
感恩福利
亲爱的读者朋友们，感恩节快乐！也许我们不曾将感恩说出口，但内心一直心存感恩之心，感谢你对美团技术团队的每一分关注，每一句评论，每一次转发。未来，我也会更加关注你，希望跟你一起共同成长。
请按照以下步骤，参与抽取感恩礼物吧！
1. 微信关注美团技术团队（meituantech）公众号。
2. 在后台，回复关键字【感恩节】，参与我们的抽奖。
活动推荐
《美团技术沙龙第46期·北京：全球最大外卖配送平台用了哪些AI技术？》11月25日周日下午，在外卖5周年之际，挑选四个代表性的议题，全面分享美团外卖商业化AI团队及配送AI团队的技术，并邀请一线技术专家与业界技术人员一起分享交流。更多活动详情请戳>>活动报名链接 http://www.huodongxing.com/event/3466333221711?qd=weixin。
招聘信息
美团点评 NLP 团队招聘各类算法人才，base 北京上海均可。NLP 中心使命是打造世界一流的自然语言处理核心技术和服务能力，依托 NLP（自然语言处理）、Deep Learning（深度学习）、Knowledge Graph（知识图谱）等技术，处理美团点评海量文本数据，打通餐饮、旅行、休闲娱乐等各个场景数据，构建美团点评知识图谱，搭建通用 NLP Service，为美团点评各项业务提供智能的文本语义理解服务。我们的团队既注重AI技术的落地，也开展中长期的NLP及知识图谱基础研究。目前项目及业务包括美团点评知识图谱、智能客服、语音语义搜索、文章评论语义理解、美团点评智能助理等。真正助力于“帮大家吃得更好，生活更好”企业使命的实现，优化用户的生活体验，改善和提升消费者的生活品质。欢迎各位朋友推荐或自荐至 hr.ai@meituan.com。
算法岗：NLP算法工程师/专家/研究员 、知识图谱算法工程师/专家/研究员
工程岗：C++/Java研发专家/工程师 、AI平台研发工程师/专家
产品岗：AI产品经理/专家（NLP、数据方向）
