商品組合套餐名字大全(商品名起名)

本篇文章給大家談談商品組合套餐名字大全，以及商品名起名的知識點，希望對各位有所幫助，不要忘了收藏本站喔。

文章詳情介紹：

• 1,梵蜜琳｜五一特定套餐組合清單
• 2,濟川藥業(yè)普瑞巴林口服溶液“過評” 用于帶狀皰疹后神經(jīng)痛等
• 3,2023新年禮盒超全盤點，都是別人家的公司
• 4,外賣套餐搭配的探索和應用

梵蜜琳｜五一特定套餐組合清單

預定梵蜜琳“51”，縱享五一

梵蜜琳貴婦系列，人氣護膚星品

梵蜜琳眾多組合齊亮相

濟川藥業(yè)普瑞巴林口服溶液“過評” 用于帶狀皰疹后神經(jīng)痛等

新京報訊（記者劉旭）7月6日，濟川藥業(yè)發(fā)布公告，全資子公司濟川藥業(yè)集團有限公司（簡稱“濟川有限”）的普瑞巴林口服溶液收到國家藥監(jiān)局核準簽發(fā)《藥品注冊證書》，并視同通過仿制藥質(zhì)量和療效一致性評價，適應癥包括帶狀皰疹后神經(jīng)痛、纖維肌痛、成人部分性癲癇發(fā)作的添加治療。

普瑞巴林是抑制性神經(jīng)遞質(zhì)γ-氨基丁酸（GABA）的結構衍生物，與中樞神經(jīng)系統(tǒng)組織中α2-δ位點（電壓門控鈣通道的一個輔助性亞基）有高度親和力。原研產(chǎn)品由Pfizer（輝瑞）公司率先研發(fā)并推出上市。2004年，輝瑞公司的普瑞巴林膠囊劑先后獲歐盟藥品管理局（EMA）和美國食藥監(jiān)局（FDA）批準上市，商品名為Lyrica。2010年，輝瑞公司又先后經(jīng)FDA和EMA批準，上市普瑞巴林口服溶液，商品名同為Lyrica，規(guī)格為20mg/ml。2010年，輝瑞公司的普瑞巴林膠囊獲批進口中國，中文名為樂瑞卡（Lyrica）。截至目前，原研普瑞巴林的口服溶液（20mg/ml）尚未進口中國。

除濟川有限外，國內(nèi)還有包括貝克諾頓（浙江）、山東朗諾制藥、南京星銀藥業(yè)、江西科睿藥業(yè)、成都迪康藥業(yè)、廣東眾生藥業(yè)、合肥恩瑞特藥業(yè)在內(nèi)7家企業(yè)獲批生產(chǎn)普瑞巴林口服溶液。普瑞巴林口服溶液已被列入《國家基本醫(yī)療保險、工傷保險和生育保險藥品目錄》（2022版）乙類藥品。米內(nèi)網(wǎng)數(shù)據(jù)顯示，2022年中國城市公立醫(yī)院普瑞巴林制劑的銷售額超過3.6億元；2022年中國城市實體藥店普瑞巴林制劑銷售額超8858萬元。

校對 楊許麗

2023新年禮盒超全盤點，都是別人家的公司

隨著兔年即將到來，舊的一年馬上落幕新的一年即將開啟，這樣的節(jié)點上營銷初戰(zhàn)場顯然更為激烈，而除了正在上線以及已經(jīng)上線的各大新春年味大片，品牌之間還有一場終極之戰(zhàn)——新年禮盒大戰(zhàn)。

所以今天也讓我們一起來盤一盤今年各大品牌們的新年禮盒。（排名不分先后）

01

天下秀

今年天下秀以“TIME 兔 SHOW”為主題，采用“天下秀橙”為主色調(diào)，以“兔子”為主要形象，將企業(yè)部分業(yè)務創(chuàng)造性融入到兔子人設中，打造出“營銷兔、數(shù)據(jù)兔、網(wǎng)紅兔、裁判兔、加速兔、文藝兔、科技兔”7種身份各異且性格鮮明的兔子形象。

當代職場人的“疼痛日?！苯琛巴米印钡纳矸萃虏鄱?，直擊人們的靈魂痛點，整套禮盒顏色亮麗，且生動有趣，給予大家活力、豐富的視覺體驗，也頗有創(chuàng)意。

而這次禮盒中也主要包含了天下秀布局的新消費業(yè)務產(chǎn)品，可以支撐大家一系列“吃喝玩樂”的大動作；

另有專屬打造的“職場超能力·必備buff卡”，全方位提升職場生產(chǎn)力；最最最重要的是，在向Web3.0演進的時代下，天下秀還特別為大家準備了一份元宇宙世界通行證：內(nèi)置獨特編碼且不可復制的限量版數(shù)字藏品。

滿滿的“科技感”，打工人慕了！

02

小鵬汽車

小鵬汽車2023年新春禮盒為「有福鵬享」，愿鵬友們紅紅火火，歲月無憂！新春禮盒搭配春聯(lián)、福字和紅包，新一年為門楣添喜，分享福氣。

并繼續(xù)秉承小鵬綠色環(huán)保的理念，春聯(lián)福字和紅包采用可降解回收的環(huán)保紙漿，同時甄選六款美味的點心，既可與親朋好友分享之外，還能方便開車路途隨時品嘗。

而車載保溫箱的包裝更是為鵬友們保持一份溫度，可以帶著帶著水果飲料去露營，與舊時好友團聚，盡情享受家鄉(xiāng)的山水風光。

卯兔新歲，贈鵬友一份「有福鵬享」，為新春添一抹好運與如意。

03

字節(jié)跳動

正所謂新年新氣象，今年字節(jié)跳動也以「新年新氣象、萬物生長」為主題，從「珍視健康」、「包容多樣」、「創(chuàng)造新生」等方面，比如禮盒中的頸部按摩儀，樹脂材料制作的多功能收納包、簡直不要太懂打工人。

并且其中的將禮盒包裝外殼巧妙設計為"掛歷+寫字板"，這樣可循環(huán)的利用的方式更是直接環(huán)保十足。

04

京東

今年京東將禮盒定義為“家禮”，禮盒中不僅包含了糕點零食，甚至還有戶外野餐地墊，也是基于去年露營熱的洞察，活力十足。

還有春聯(lián)+福字+紅包，新年儀式感不能少。

05

騰訊

騰訊2023還是沿用了去年的傳統(tǒng)，繼續(xù)保留了簡約務實的風格。

一個利是封，一個筆記本和一副對聯(lián)，簡單又不失新年儀式感。

06

飛書

飛書2023新年禮盒主題為“兔必NO.1”！

除了紅包春聯(lián)標配，更有可愛的手辦、充電寶等，帶給打工人滿滿的能量與創(chuàng)造力。

07

網(wǎng)易游戲

網(wǎng)易的新年禮盒中，以紅色手提箱，裝著保溫杯、跳繩、頭皮按摩儀、巧克力堅果零食、文房四寶和利是封卡包等等，從學習到運動甚至娛樂一一滿足。

08

小紅書

小紅書今年的主題為“好 好”，并用一個大挎包把所有的新年禮物都裝在里面，有兔年限定的短絨毛毯和薯隊長公仔，以及小紅書每個新年都不缺席的紅包袋和日程本。

09

美圖

美圖2023推出的新年禮盒為meitu lucky box，并以戶外為主題，整個禮盒甚至可以作為露營箱、便攜桌子，還可變成超大容量收納箱。

并且禮盒中還聯(lián)合旺旺定制了零食大禮包，各種經(jīng)典零食的合集。

10

酷狗音樂

酷狗今年選擇與飯乎聯(lián)動推出新春禮包，禮盒中不僅包含了4大經(jīng)典老味道的煲仔飯，甚至還有紅色電飯煲，最后再配上酷狗歌單賀卡，可以說是十分懂干飯人了。

此外還有限定款紅色托特包，也充滿了對未來的祝福。

11

阿里巴巴

今年阿里繼續(xù)沿用“阿里家書”的創(chuàng)意，個性化的定制，且一封逍遙子寫給親友的信，密密麻麻的文字背后充滿了誠意。

除此之外，禮盒中還包含著春聯(lián)福字窗花，新年臺歷，阿里動物園拼圖，兔年淘公仔…也年味十足。

12

得物

2023得物主題新年禮盒「Nice 兔 meet you」，包含了毛毯、帽子、圍巾，還有新年必備的燈籠、利是封、春聯(lián)&福字以及新年防護必備口罩，都充滿了溫暖。

13

第四范式

2023第四范式新年禮盒主題為「“兔”如其來」，且禮盒中還包含了小巧精致的國粹麻將、洞洞板臺歷套裝、小范小式冰箱貼和紅包春聯(lián)等。

這移動麻將，誰看了不迷糊。

14

粉筆

2023年初粉筆成功上市，所以今年的新年禮盒也為盒以「春日漫游」為主題，作為新春上市紀念版，整個禮盒的包裝也采用了「金磚」設計。

而里面也包含了「快雪時晴」香薰蠟燭、「恬黛相宜」真絲眼罩、「四時好景」新年月歷、「福兔躍金」紅包組合和「喜兔逢春」對聯(lián)福字套裝，寓意滿滿。

15

四三九九

廣州四三九九信息科技有限公司今年新春禮盒以「好事成兔，喜氣臨門」主題，并采用毛氈福袋為外包裝，好看環(huán)保兩不誤。

禮盒中也包括了黑膠唱片、香薰擴香、小夜燈的豆娃定制款藍牙音響，以及還有一兔年定制連帽衛(wèi)衣和紅包、窗花、新春門把手掛飾和堅果，這樣沉甸甸的禮物，也是最好的祝福。

16

百度

百度今年又推出了8.4KG的“重”新春禮，沉甸甸的禮盒中包含了，兔年毛絨小度熊、包餃子全家福套裝、?？?、蘸料碟、空氣炸鍋、2023月歷套裝、手帳本，大小春聯(lián)/福字/窗花等…

17

攜程

攜程2023新春禮盒名為“GO兔·探險BUFF箱”，代表著新一年加滿超級BUFF，開啟新年新旅途。

禮盒中也包含了香薰蠟燭、露營燈&口哨、紅包、徽章、撲克牌、對聯(lián)、賀卡，以此代表著好奇心、勇氣、動力、幸運、靈感、熱情、祝福。

18

YY直播

2023YY直播新春禮盒以「2023兔nice」為整體設計理念。

禮盒雙開門的設計，里面也充滿了驚喜，包含了Y熊穿上兔年限定新衣，Y熊新年公仔、冷帽&黑紅簡約保溫杯，還有三款盲盒新年圍巾隨機發(fā)。以及利是封、窗花&冰箱貼等。

19

科大訊飛

今年科大訊飛結合兔子形狀和手勢“耶”打造了「happy new“耶”」新年禮盒。

禮盒包裝也十分環(huán)保，內(nèi)襯取出后還可以做手辦展示架或辦公物件收納臺，而禮盒中則包含了新春四件套春聯(lián)、福字、紅包、窗花，還有結合非遺手工藝品-兔兒爺IP的兔年飛飛手辦、還有限定限定午休毯，都是滿滿的祝福。

20

好未來

好未來2023兔年推出「在一起總美好」新年禮盒。

禮盒中包含了堅果、背包、鍵鼠套裝、床上四件套套餐、魯花5S壓榨一級花生油、十月稻田五常大米的米油套餐，甚至還有空氣炸烤箱套餐，最后還有春聯(lián)&福字、周歷，搭配趣味阿噗隨心貼和兔年定制盲盒，不僅顏值高且實用性也很強。

21

樂刻運動

樂刻2023新春禮盒也為「家書禮盒」，禮盒中也有一封承載樂刻一年美好記憶的《2023樂刻家書》，還有堅果和花茶，而禮盒包裝也可以當成桌面收納盒，顏值實用兩不誤。

22

珍愛網(wǎng)

珍愛網(wǎng)新年禮盒都紅紅火火，禮盒包含了筆記本、口罩、紅包、對聯(lián)、窗花、拎袋、小熊電火鍋，濃濃的春節(jié)氣息一下子就有了。

23

映宇宙

映宇宙新年禮盒也走起了環(huán)保路線，不僅包裝是一個便攜式手提箱，且禮盒中也搭配有咖啡手沖壺&咖啡儲物罐，以及毛巾，氛圍感一下子就上來了。

24

360

360在去年與“撥云見日”的基礎上，今年禮盒主題為“卯定乾坤”。

禮盒中選品也以使用為主，主要包含了春聯(lián)套裝、多功能料理電火鍋、防溢鍋夾和便攜小麻將，新年歡聚場景有它更精彩。

25

去哪兒

去哪兒新春禮盒主題是「Glad 兔 meet you」，不僅禮盒包裝為實用環(huán)保的毛氈包，里面也包含了可愛的流體駝和流體兔鑰匙鏈，還有水杯，寓意著年年加薪，都頗有含義。

26

虎牙

虎牙的春節(jié)禮盒以「Ready 兔 Go」為主題，并以童年游戲機為創(chuàng)意推出禮品新玩法。有獨家定制日歷；mini小兔虎鑰匙扣掛件；珠光寶氣好運紅包，還融入了DIY拼裝、手搖轉動這些儀式感十足的玩法。

28

元氣森林

和其他企業(yè)一樣，元氣森林今年的新春禮盒也采用環(huán)保理念，以RPET環(huán)保材料制作的迷你行李箱，禮盒中也配上由咖啡渣再生的咖啡杯，以及頸枕、眼罩、耳塞、筆記本、福字窗花等。環(huán)保的同時還不失守護。

29

肛泰

肛泰新春禮盒整體畫風以「萌系治愈」為主，主要是表達對大家菊部以及健康的關心，禮盒中也包含了「滿血復活」充電寶，「多喝熱水」加熱杯墊，「肛好富愈」門神貼，「請多關罩」醫(yī)用外科口罩，「肛好浴見你」刺繡浴巾，「菊部穩(wěn)腚」馬桶貼，等等，每個禮品都包含著企業(yè)滿滿的誠意。

30

暹羅貓名字(暹羅貓的名字)

塔斯汀

今年塔斯特聯(lián)合a1推出新年聯(lián)名禮盒，其中也包含了定制的紅色筷子、零食夾、紅包和春聯(lián)。

31

趣丸科技

2023剛好迎來趣丸科技的十周年，所以今年的春節(jié)禮盒主題也為「QU無止境」。

禮盒也包含了祥物歡歡盲盒，又有能拼能玩，還有年輕人喜歡的三層建筑積木，以及吊牌、窗花、亞克力冰箱貼等，宣告和員工一同趣丸未來的信念。

32

汽車之家

2023汽車之家以「愛意回家·唱響新春」為主題，祝愿大家在新的一年共歡樂共唱響。

禮盒造型也很獨特，是一個家的造型，緊扣主題。

禮盒中則包含知味觀糕點和充滿童年回憶的大白兔奶糖與一支充滿愛意的麥克風，以及少不了春聯(lián)窗花紅包和迷你對聯(lián)，愛唱歌人士一整個愛住。

33

樂信

樂信2023新年禮包走起可愛風，禮盒中包含了樂兔抱枕、經(jīng)典潮襪，還有必不可少的新年紅包+春暉，HAPPY NEW YEAR兔YOU，祝福大家新年“兔”飛猛進。

34

蕉內(nèi)

今年蕉內(nèi)推出了走紅盒和走運盒，并與藝術家設計了兔年周邊，主要有“兔Do List”手賬本、“兔Be The King”撲克牌、“不兔不筷”筷子套裝、“兔Rich”、“兔You”紅包、“萬兔求貼貼”貼紙、365天紅歷。

而兩款禮盒也包含各自的內(nèi)容，比如走紅盒內(nèi)含無尺碼文胸、無尺碼內(nèi)褲、兔年走運襪。走運盒內(nèi)含針織帽、圍巾、手套。這一套下來，都好運連連。

35

唯品會

唯品會的新年禮盒「唯用心，方出彩」則融入了滿洲窗、花磚、醒獅等廣府元素。

禮盒包含了羅萊聯(lián)名毛毯、賀卡、當代中國著名書法家曹寶麟先生撰寫的春聯(lián)、利是封，以及兩瓶紅酒，儀式感滿滿。

寫在最后：

各大品牌們紛紛在新年禮盒上卷上加卷，歸根結底如今的禮盒早已不僅僅是品牌內(nèi)部的福利，隨著社交鏈路的發(fā)展，品牌禮盒也成為了一種實力的battle，哪個品牌的新年禮盒越出彩，哪個品牌就能贏得更多的流量加碼，因此新年禮盒也成為了品牌們的另一種營銷玩法。

而看完這么多品牌的新年大禮，你最心動哪一款，一起來分享下吧！

作者 | ADman艾德曼

外賣套餐搭配的探索和應用

本文系外賣美食知識圖譜系列的第三篇文章，從技術層面我們會介紹外賣套餐搭配的技術方案，包括離線、實時的套餐搭配的迭代，套餐質(zhì)量評估方案，同時會介紹套餐搭配的業(yè)務應用。

讓用戶更方便快捷地選購到滿意的外賣商品，是美團外賣一直在努力的方向。本文主要介紹了針對美食類商家的套餐搭配技術以及應用實踐。在外賣點餐的選擇過程中，用戶一般會考慮單品偏好、組合搭配等因素，挑選商家和商品的過程耗時較長。我們通過套餐搭配技術，基于商家的候選商品，自動搭配優(yōu)質(zhì)套餐，輕松解決用戶“選擇困難癥”，能夠提升用戶的決策效率。

目前，美團外賣App的套餐搭配應用有很多，有“今日套餐推薦”、“滿減神器”、“套餐搭配推薦”等。由于目前外賣商家自行搭配套餐的能力較弱而且意愿不強，導致外賣套餐底層供給對業(yè)務場景和商家的覆蓋率偏低，不能滿足套餐相關推薦排序應用的需求。因此，外賣套餐搭配的業(yè)務目標是對于美食類商家搭配出候選的套餐組合，給套餐相關應用方提供更豐富的套餐供給。

圖1 “套餐推薦” 、“滿減神器套餐推薦”、“菜品詳情頁套餐搭配”應用示例

對于套餐相關應用方，我們進行了業(yè)務分析：“今日推薦”、“滿減神器”等業(yè)務的搭配條件相對較弱且可以離線獲取搭配條件，歸類為推薦型相關業(yè)務，此類業(yè)務需要保證商家的套餐覆蓋率提升，從而保證商家的推薦露出。詳情頁、滿減加購等業(yè)務的搭配條件較強，而且偏實時。例如，詳情頁是用戶指定一個菜品后進行搭配，滿減加購場景是用戶選擇一個菜品和特定的價格區(qū)間作為條件。這些屬于搭配型業(yè)務，此類業(yè)務需要保證套餐對實時場景的覆蓋，從而保證套餐搭配Tab的露出。套餐搭配算法的目標有：①提升套餐組合的覆蓋度，從而給下游的套餐相關應用提供場景覆蓋率高、多樣性充足的套餐組合。②保證搭配套餐的質(zhì)量。

商品搭配在電商場景下也存在較多的應用，例如淘寶的購物車搭配、服裝搭配，化妝品搭配。購物車搭配是基于用戶購物車、已購買商品的打包推薦，例如，用戶在加購牙刷后，可以給出牙膏的推薦。這類方法主要基于商品的購買行為進行相關性的推薦，目標不是形成一個完成的搭配組合。但是，外賣美食商品搭配則需要考慮整個組合的合理性，而不單純基于商品是否相關。比如：大量訂單中有“小炒肉+番茄雞蛋湯+米飯”、“魚香肉絲+番茄雞蛋湯+米飯”等組合方式，但是“番茄雞蛋湯+米飯”并不構成一個好的套餐搭配。

服裝搭配和化妝品搭配為面向組合的搭配推薦，對此類搭配問題的解決方案大體分成兩類，一類是：搭配模式用于模型挑選商品過程的剪枝，搭配模式可以是人工或者模型的方式先驗給出，參考文獻中的論文4、5采用此思路，該方法的特點是搭配效果靠剪枝策略+質(zhì)量評估模型共同保證。另一類是通過端到端的網(wǎng)絡參數(shù)學習搭配模式思路，論文6和我們的離線套餐搭配采用此思路，該方案的特點是搭配效果更依賴于端到端模型保證，但同時搭配模型更復雜。

相比電商場景的商品搭配，美食搭配面臨獨特的業(yè)務挑戰(zhàn)：

套餐搭配的業(yè)務場景和搭配條件比較多樣，因此套餐搭配方案需要滿足各類業(yè)務、各種搭配條件下的需求。

美食商品屬于非標品，且不同商家銷售的商品各不相同，導致套餐搭配模式因商家而異。例如，不同商家銷售的宮保雞丁，在份量、口味、食材、價格上都不相同，因此對于宮保雞丁這道菜也會有不同的套餐搭配方式。

算法搭配不可避免會產(chǎn)生低質(zhì)量的搭配結果，而商品的非標品屬性，導致我們更難衡量美食搭配的質(zhì)量。低質(zhì)量的搭配可能包括：a.包含不適宜單獨銷售、非美食品類的搭配，例如包含贈品、鍋具、餐具的搭配。b.搭配結果不符合常規(guī)搭配模式，例如兩份飲料，飲料+饅頭等。

為此，我們的解決方案是：

為了解決業(yè)務場景和搭配條件多樣的問題，我們形成了離線、實時結合的算法搭配框架。對于推薦型相關業(yè)務，我們采用離線搭配方法預先搭配出套餐候選，再在業(yè)務場景中做個性化排序。離線搭配本著規(guī)則到模型的迭代思路，規(guī)則搭配依賴知識圖譜的商品表示，通過高頻聚合+規(guī)則搭配泛化，產(chǎn)出相對高質(zhì)量套餐以確保頭部商家覆蓋。模型搭配可以在保證搭配質(zhì)量的同時，通過模型泛化提高套餐的場景覆蓋率。對于實時搭配型的業(yè)務，算法會依據(jù)業(yè)務的搭配條件實時搭配套餐，進一步提升各個實時場景下的套餐的覆蓋率。

為了解決美食商品非標品的問題，我們引入外賣美食圖譜對菜品進行了多方位的刻畫。我們基于外賣知識圖譜提取了菜品豐富的信息表征，例如菜品的標準菜品、菜品品類、口味、食材、做法等，減弱非標品帶來的影響。

為了保證搭配套餐的質(zhì)量，我們開發(fā)了套餐質(zhì)量評估的模型。

總體，我們在非標品的商品表示、商家表示、套餐搭配模型、套餐搭配質(zhì)量評估上都進行了相關的探索和迭代，形成了如下圖2所示的套餐搭配框架。

圖2 套餐搭配框架

我們面臨的一個問題是外賣商品為非標品，菜品數(shù)據(jù)質(zhì)量較差、屬性缺失。為此，我們基于商家菜單、菜譜、商品描述等多種信息源，通過信息抽取、關系識別、知識融合等多種方法，構建了以美食為核心的知識圖譜，對菜品建立了品類、口味、做法、功效等多個維度的表示。

圖3 外賣美食知識圖譜

商家的歷史高銷量套餐一般可認為是優(yōu)質(zhì)的套餐，但是，中低銷量商家的高銷量套餐數(shù)量較少，難以支持套餐的個性化推薦等應用。依賴美食圖譜對菜品的語義表達，我們首先嘗試了基于知識圖譜的直接歸納演繹進行套餐搭配的方案。例如，通過高頻訂單可以歸納得出，{熱菜}+{米飯}+{湯}是一個常見的套餐搭配方式，進而對于商家演繹出“番茄炒雞蛋+番茄雞蛋湯+米飯”的套餐搭配。

圖譜歸納演繹的過程是高頻聚合和基于搭配模板的泛化過程，我們通過訂單聚合、同品牌、同標簽、同菜品模板泛化，來產(chǎn)生高質(zhì)量的套餐搭配，同時套餐的商家覆蓋率有了顯著的提升。但是搭配模板的問題在于較難對搭配質(zhì)量和泛化程度取得折中。約束性較強的搭配模板可以確保搭配質(zhì)量，但泛化能力不足，套餐覆蓋度較低。如果用單一或少量標簽描述搭配項，會導致模式過度泛化，準確率不能保證。為此，我們引入了基于模型的套餐搭配方法。

名字大全2022最新版還有微信群名字大全最新

用戶搭配套餐也是一個信息編碼到信息輸出的過程：用戶瀏覽商家菜單即是編碼過程，得到該商家和商品信息的一個整體概況，再基于這個概況去進行套餐的搭配。貼合該過程的一個思路是采用Encoder-Decoder框架進行套餐搭配模型的建設，Encoder類比用戶瀏覽菜單的過程，學習菜單的語義信息，Decoder負責搭配出套餐。Encoder-Decoder是一種深度學習網(wǎng)絡框架，已經(jīng)被廣泛應用于文本摘要、機器翻譯、對話生成等應用中，其建模的方式是通過編碼（特征提?。┖徒獯a（目標擬合），學習從Encoder輸入數(shù)據(jù)到Decoder輸出數(shù)據(jù)的映射。常見的編碼方式有CNN、RNN、Transformer等結構，解碼方式也類似。

套餐生成問題是要從一個商家的所有候選商品集合中提取出多個商品子集，形成方便用戶篩選、可直接下單的套餐。套餐生成的數(shù)據(jù)源主要是該商家的候選商品信息（如商品的名稱、標簽、價格、銷量等），再結合用餐價格區(qū)間、用餐人數(shù)等約束條件，以及用戶偏好等信息。最初我們采用了LSTM作為Encoder和Decoder的神經(jīng)網(wǎng)絡進行套餐搭配。我們基于圖譜語義抽取商品語義表示，并輸入Encoder的RNN模型。Encoder編碼過程類似于用戶翻閱商家候選商品的過程，Encoder端輸入菜品名稱、菜品標簽、菜品的業(yè)務屬性（價格、銷量等），通過LSTM對非標品菜品進行特征抽取。如下圖4所示，每個商品的名稱經(jīng)過Embedding層、CNN+Pooling層提取特征，并同菜品標簽、類別的Embedding以及價格和銷量等連續(xù)特征進行拼接，最終作為Encoder RNN中每步的輸入。

圖4 Encoder網(wǎng)絡結構

Decoder在解碼過程中一般依賴一個固定的字典或詞典作為候選集，每一步輸出候選集中的字、詞被選中的概率分布。對于套餐搭配網(wǎng)絡來說，Decoder解碼的候選集來源于Encoder輸入端商家內(nèi)的商品列表，而非固定維度的外部菜品詞表，Pointer Network是建模這一問題的有效架構。Pointer Network是基于Seq2seq的擴展，主要解決的是候選集不固定的問題，這一模型架構已被成功應用于抽取式文本摘要，以及旅行商問題、凸包問題等組合優(yōu)化問題的解決方案中。

套餐搭配解碼的具體過程為，Decoder每一步預估目標菜品來自菜品列表的概率分布。在第n（n>=1）步時，這個概率分布向量表達了在已經(jīng)選擇了n-1個商品的情況下，某個商品或者終止位被選中的概率。若終止位對應的概率較大，則模型傾向以前n-1個已選商品形成一個完整的套餐搭配。解碼過程中，我們結合BeamSearch算法產(chǎn)生TopN個結果，保證搭配的多樣性。

屬雞的寶寶取名字宜忌(屬雞開建筑公司名字)

圖5 Encoder-Decoder網(wǎng)絡結構

套餐搭配模型的學習目標

為了解決菜品搭配模式因商家而異的問題，模型通過擬合該商家的歷史訂單來學習商家的搭配特性。一種較為主流的訓練形式是基于商家真實訂單，采用Teacher Forcing的形式進行訓練，使得模型預測的菜品逐位匹配上真實訂單內(nèi)的菜品。Teacher Forcing式的訓練方法使得預測菜品的概率傾向于0-1分布，但是現(xiàn)實的菜品搭配通常是個性化、多樣性的，例如在Decoder已經(jīng)輸出“宮保雞丁”菜品的基礎上，下一步選擇的主食為“米飯”或者“炒飯”皆可。

為此，我們對商家歷史成單的套餐搭配模式進行統(tǒng)計，計算出商品選擇的概率分布，Decoder以此商品選擇的概率分布作為訓練目標，同預估的分布計算MSE Loss，并最小化該值指導模型的訓練。Teacher Forcing的另一個問題是較難引入搭配質(zhì)量、套餐的點擊購買行為等外部知識來指導模型訓練，為此我們嘗試了采用強化學習的思路進行改進。在解碼過程的時刻T，我們通過蒙特卡洛算法采樣（Monte Carlo Sampling）出完整的套餐候選，并計算套餐候選的搭配質(zhì)量分作為Reward，結合MSE Loss和搭配質(zhì)量分進行模型訓練。

套餐搭配的約束

套餐搭配過程會面臨多種業(yè)務約束，例如，對于“滿減神器”來說，搭配的套餐需要滿足給定的滿減價格檔位?！爸悄苤帧钡奶撞痛钆溥^程需要考慮用戶選定的篩選條件，例如條件可能為“主食為米飯”且“價格為30元以下”。我們通過剪枝策略保證搭配過程滿足約束，以“滿減神器”的價格區(qū)間約束為例，Decoder端在單步產(chǎn)生候選菜品時，會基于剩余的價格過濾掉超出剩余價格范圍的菜品。如下圖6所示，對于商家的A、B、C、D、E菜品，Decoder會利用剩余價格的區(qū)間“15元以內(nèi)”對后一輪菜品A、B、C、D、E進行剪枝，并刪除超過價格區(qū)間的C、D兩個菜品。

圖6 套餐搭配價格約束

基于Attention網(wǎng)絡的套餐搭配模型

基于LSTM網(wǎng)絡的商家內(nèi)菜品特征提取面臨的問題有：第一，商家菜單的菜品本身無序，而RNN網(wǎng)絡依賴序列進行建模。第二，菜品之間可能存在長距離的語義依賴，例如，菜單內(nèi)是否有“米飯”、“饅頭”等菜品會影響對于“宮保雞丁”菜品的搭配。

為了更好的對無序菜單和菜品之間依賴信息進行表征，我們嘗試了基于Attention結構的Encoder-Decoder模型。Encoder部分采用層次化Attention結構提取菜品的語義信息，包含底層單菜品級的Attention和菜品之間的Attention兩部分。對于單菜品級的Attention，我們在字維度采用Multi-Head Attention結構得到菜品名稱的語義向量，菜品標簽同樣采用Multi-Head Attention 得到菜品標簽語義向量，對于菜品的交易屬性，我們采用多層全連接網(wǎng)絡提取交易特征的語義向量。

最后，菜品名稱語義向量、菜品標簽語義向量、交易特征語義向量拼接后經(jīng)過全連接層+層歸一化得到菜品語義向量。對于菜品之間的Attention層，我們對該店的菜品語義向量列表采用多層Multi-Head Attention得到該店的菜單級別語義向量。模型Decoder部分同樣采用Multi-Head Attention進行解碼，輸入信息包括用戶偏好信息、歷史時刻的解碼輸入、價格約束等上下文信息，模型在每步輸出商家菜單中的菜品被選擇的概率分布。Decoder過程中我們對用戶偏好信息同商家菜單級別的語義向量進行Multi-Head Attention，在套餐搭配過程中考慮用戶的用餐偏好。

圖7 基于Attention的套餐搭配網(wǎng)絡

我們認為商家高質(zhì)量的搭配可以從訂單的銷量體現(xiàn)，一種評估方法即是評估模型輸出的套餐對商家真實高銷量套餐的覆蓋。通過離線和在線評估，我們發(fā)現(xiàn)該模型可以擬合出商家高銷量套餐。在人工評估部分，我們把算法搭配的套餐和真實成單訂單進行混合并讓人工進行區(qū)分，發(fā)現(xiàn)人工無法分辨模型搭配的訂單和真實成單訂單的差異。同時，該模型具備良好的泛化能力，顯著提升了套餐對商家和特定業(yè)務場景的覆蓋度。

我們對模型輸出的菜品表征向量進行了分析，以了解模型的套餐搭配模式。利用TSNE對向量進行降維和聚類，通過聚類圖觀察發(fā)現(xiàn)“主食”、“主菜”、“小食”類的菜品各自聚集在一起，可以看出模型識別了菜品的“主食”、“菜品”、"小食"等品類語義屬性，并參考此語義進行套餐搭配。

利用離線搭配產(chǎn)生套餐候選的方案可以滿足推薦型業(yè)務的需求，但對于一些搭配型的業(yè)務場景仍然覆蓋不足，例如，目前離線套餐對菜品的覆蓋度較低，即對于菜品詳情頁等應用只保證部分PV的搭配模塊露出。

一種解決方案是通過離線搭配提升套餐對美食商品的覆蓋，但該方案的存儲成本較高，為此我們采用實時套餐搭配方案。實時生成方案的難點在于既要保證套餐質(zhì)量，又要滿足各種搭配條件，最重要的還要保證實時性。最初我們把離線搭配模型應用于線上實時搭配，發(fā)現(xiàn)在性能方面存在瓶頸。因此，我們對離線模型進行了精簡，精簡的思路是將選菜的過程精簡為選擇菜品類目的過程，將菜品維度的搭配關系精簡為菜品類目的搭配關系，實現(xiàn)整個解空間的縮小。如下圖8所示，具體流程如下：

搭配模板挖掘：通過商家歷史訂單挖掘出商家高銷的類目層面的搭配關系，即搭配模板，例如“熱菜+主食”。

搜索剪枝：在搭配選菜時，依據(jù)搭配模板中的菜品類目，進行菜品的選擇。例如上述的例子，首先進行“熱菜”的選擇，然后進行“主食”的選擇。在選擇的過程中，根據(jù)用戶的實時需求，例如指定必選菜、指定價格、指定主食類型等約束條件，對整體的選擇過程進行剪枝。

篩選評估：在搭配完成后，對得到的候選搭配結果進行質(zhì)量評估，這里基于性能考慮，使用樹模型進行質(zhì)量評估，篩選出Top N的搭配結果。

圖8 實時套餐搭配和離線套餐搭配

高銷量的訂單中也存在搭配質(zhì)量稍低的套餐，加上模型泛化的精度問題，搭配模型很容易生成質(zhì)量較差的搭配組合。如下圖9右側，模型生成的后兩個套餐搭配相對不是特別合理。為進一步保證用戶體驗，我們建立了套餐搭配質(zhì)量模型，對套餐的質(zhì)量進行統(tǒng)一評估。套餐質(zhì)量分類模型將套餐搭配質(zhì)量轉化為一個分類問題。因為套餐組合是有多個菜品組成的，所以我們基于菜品名稱、標簽等信息構造菜品的表示，然后通過Global-Attention來實現(xiàn)菜品間重要程度的考量，同時添加總商品個數(shù)、總份數(shù)等全局特征來表示整體搭配的信息，模型結構具體見下圖9所示：

圖9 套餐質(zhì)量分類

我們對套餐的搭配質(zhì)量進行了細粒度的分檔：極差、差、中、好 ，且四種類別存在有序關系（極差<差<中<好），對應模型有四個輸出值，每一個表示該位為1的概率，例如“極差”表示為“1,0,0,0”, “差”表示為“1,1,0,0”，“中”表示為“1,1,1,0”，“好”表示為“1,1,1,1”。模型的損失采用Pair Hinge Loss函數(shù)，避免前面節(jié)點為0后面節(jié)點為1的情況，保證模型的準確度。套餐的搭配質(zhì)量分值為四個輸出節(jié)點的求和平均值，使得預測值更加可信。模型結構同一般的分類模型大體一致，目標函數(shù)如下：

圖10 套餐質(zhì)量分類

套餐質(zhì)量模型的建設過程中，負例樣本主要來自用戶反饋的Bad Case，和通過人工構造不合理搭配模式版篩出的套餐。這種方式存在的問題是：Bad Case和人工構造的搭配負樣本有偏、多樣性較差，且負樣本同正樣本的配比不容易調(diào)節(jié)。

為此，我們引入一個預訓練任務學習歷史訂單的搭配模式，為套餐搭配質(zhì)量模型引入更多的搭配先驗知識。預訓練過程如下圖11所示，我們隨機Mask已成單搭配組合中的一個菜品，然后訓練Transformer模型還原被Mask掉的菜品。在這個過程中，考慮一些次優(yōu)套餐的合理性（例如："宮保雞丁+米飯+可樂"，Mask掉"宮爆雞丁"，生成器生成出來的是“魚香肉絲”，“魚香肉絲+米飯+可樂”就可理解為一個次優(yōu)套餐），我們在最后的損失函數(shù)添加預測菜品與目標菜品類別相似性的判別器來解決這類情況。預訓練得到的參數(shù)最終用來初始化套餐搭配質(zhì)量分檔模型，并基于少量的人工標注語料進行模型的調(diào)優(yōu)。

圖11 套餐質(zhì)量分類

目前，外賣已打造了多款以套餐為核心供給的產(chǎn)品，“今日套餐推薦”幫助用戶解決不知道吃什么、選購慢的問題，店鋪頁內(nèi)的“滿減神器”、“單品搭配推薦”解決用戶湊單難、搭配難的問題。為了解決了各業(yè)務場景下套餐搭配難題，套餐搭配算法針對覆蓋度、搭配質(zhì)量、搭配多樣性進行了持續(xù)優(yōu)化，為業(yè)務提供了重要的技術和數(shù)據(jù)支撐。離線套餐搭配用于”滿減神器“、”今日套餐推薦“等業(yè)務，顯著提高了套餐商家的覆蓋率，實時套餐搭配用于“菜品詳情頁套餐搭配”等業(yè)務，并取得較好的業(yè)務收益。

后續(xù)工作，一方面我們會繼續(xù)優(yōu)化菜品知識圖譜的構建，完善對非標品菜品的刻畫，通過引入圖像等多模態(tài)數(shù)據(jù)進一步提升數(shù)據(jù)準確度和覆蓋度，通過構建場景知識圖譜更好地刻畫用戶需求和供給。另一方面我們會探索場景化的套餐搭配：目前我們在場景化套餐搭配方面的工作較少，而且用戶在不同場景下會有不同的套餐需求，例如天氣寒冷偏愛吃火鍋類套餐、臘八節(jié)吃粥類套餐，在異地希望吃當?shù)靥厣愄撞?。接下來，我們會在場景化套餐搭配方面進行探索，針對節(jié)氣、節(jié)日、人群等場景搭配套餐，更好的滿足用戶個性化、場景化的用餐需求。

圖12 套餐搭配相關應用

Vinyals, Oriol, Meire Fortunato, and Navdeep Jaitly. "Pointer networks." Advances in neural information processing systems. 2015.

See, Abigail, Peter J. Liu, and Christopher D. Manning. "Get to the point: Summarization with pointer-generator networks." arXiv preprint arXiv:1704.04368 (2017).

Gong, Jingjing, et al. "End-to-end neural sentence ordering using pointer network." arXiv preprint arXiv:1611.04953 (2016).

Han, Xintong, et al. "Learning fashion compatibility with bidirectional lstms." Proceedings of the 25th ACM international conference on Multimedia. 2017.

Alashkar, Taleb, et al. "Examples-Rules Guided Deep Neural Network for Makeup Recommendation." AAAI. 2017.

Chen, Wen, et al. "Pog: Personalized outfit generation for fashion recommendation at alibaba ifashion." Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2019.

Rush, Alexander M., Sumit Chopra, and Jason Weston. "A neural attention model for abstractive sentence summarization." arXiv preprint arXiv:1509.00685 (2015).

Paulus, Romain, Caiming Xiong, and Richard Socher. "A deep reinforced model for abstractive summarization." arXiv preprint arXiv:1705.04304 (2017).

See, Abigail, Peter J. Liu, and Christopher D. Manning. "Get to the point: Summarization with pointer-generator networks." arXiv preprint arXiv:1704.04368 (2017).

瑞玉、文斌、楊林、懋地，均來自美團外賣技術團隊。

| 本文系美團技術團隊出品，著作權歸屬美團。歡迎出于分享和交流等非商業(yè)目的轉載或使用本文內(nèi)容，敬請注明“內(nèi)容轉載自美團技術團隊”。本文未經(jīng)許可，不得進行商業(yè)性轉載或者使用。任何商用行為，請發(fā)送郵件至申請授權。