2022年美团技术年货合辑

新春将至，一年一度的美团技术年货也如约到来!时间煮雨，岁月缝花，花开无声，花谢无语。2022这一年，我们一起经 历了无数的悲喜，也留下了满满的回忆。也许生活就是这样，只有历尽波澜，才能欣赏茫茫大海的辽阔和无边， 才能感受到漫天星辰的光芒和温暖。在2023年春节到来之际，我们从去年美团技术团队公众号上精选了60多篇技术文章，整理制作成一本1300多页的电子书，作为新年礼物赠送给大家。这本电子书内容覆盖算法、前端、后端、数据、安全等多个技术领域， 希望能对同学们的工作和学习有所帮助。也欢迎大家转给更多有相同兴趣、积极上进的同事和朋友们，一起切磋，共同成长。祝愿2023年，大家诸事顺遂，健康平安。序算法 1YOLOv6：又快又准的目标检测框架开源啦 1目标检测开源框架 YOLOv6 全面升级，更快更准的 2.0 版本来啦 13通用目标检测开源框架 YOLOv6 在美团的量化部署实战 177 次 KDD Cup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架 37图神经网络训练框架的实践和探索 66图技术在美团外卖下的场景化应用及探索 83大规模异构图召回在美团到店推荐广告的应用 102美团搜索粗排优化的探索与实践 116美团外卖推荐情境化智能流量分发的实践与探索 129大众点评搜索相关性技术探索与实践 152美团 SemEval2022 结构化情感分析跨语言赛道冠军方法总结 174检索式对话系统在美团客服场景的探索与实践 188端智能在大众点评搜索重排序的应用实践 216对话摘要技术在美团的探索（SIGIR） 238异构广告混排在美团到店业务的探索与实践 258短视频内容理解与生成技术在美团的创新实践 271美团搜索中查询改写技术的探索与实践 297美团内部讲座 | 清华大学崔鹏：因果启发的学习、推断和决策 325NeurIPS 2021 ｜ Twins：重新思考高效的视觉注意力模型设计 339目录iv　>　2022年美团技术年货美团获得小样本学习榜单 FewCLUE 第一！ Prompt Learning+ 自训练实战 353DSTC10 开放领域对话评估比赛冠军方法总结 368KDD 2022 | 美团技术团队精选论文解读 382ACM SIGIR 2022 | 美团技术团队精选论文解读 391CVPR 2022 | 美团技术团队精选论文解读 404ACM MM & ECCV 2022 | 美团视觉 8 篇论文揭秘内容领域的智能科技 413前端 427知识图谱可视化技术在美团的实践与探索 427终端新玩法：技术栈无关的剧本式引导 459自动化测试在美团外卖的实践与落地 483深入理解函数式编程（上） 512深入理解函数式编程（下） 541Android 对 so 体积优化的探索与实践 568从 0 到 1：美团端侧 CDN 容灾解决方案 589美团高性能终端实时日志系统建设实践 608后端 622可视化全链路日志追踪 622设计模式二三事 647基于代价的慢查询优化建议 670Java 系列 | 远程热部署在美团的落地实践 692日志导致线程 Block 的这些坑，你不得不防 713基于 AI 算法的数据库异常监测系统的设计与实现 775目录　<　vReplication（上）：常见复制模型 & 分布式系统挑战 792Replication（下）：事务，一致性与共识 818TensorFlow 在美团外卖推荐场景的 GPU 训练优化实践 855CompletableFuture 原理与实践 - 外卖商家端 API 的异步化 879工程效能 CI/CD 之流水线引擎的建设实践 912美团外卖搜索基于 Elasticsearch 的优化实践 933美团图灵机器学习平台性能起飞的秘密（一） 953提升资源利用率与保障服务质量，鱼与熊掌不可兼得？ 971标准化思想及组装式架构在后端 BFF 中的实践 992外卖广告大规模深度学习模型工程实践 | 美团外卖广告工程实践专题连载 1013数据库全量 SQL 分析与审计系统性能优化之旅 1048数据库异常智能分析与诊断 1059美团外卖广告智能算力的探索与实践（二） 1079Linux 下跨语言调用 C++ 实践 1101GPU 在外卖场景精排模型预估中的应用实践 1130美团集群调度系统的云原生实践 1149广告平台化的探索与实践 | 美团外卖广告工程实践专题连载 1161数据 1193Kafka 在美团数据平台的实践 1193美团综合业务推荐系统的质量模型及实践 1218业务数据治理体系化思考与实践 1233数据治理一体化实践之体系化建模 1263vi　>　2022年美团技术年货运维 / 安全 1277数字化新业态下数据安全创新——Token 化 1277Linux 中基于 eBPF 的恶意利用与检测机制 1293如何应对开源组件风险？软件成分安全分析（SCA）能力的建设与演进 1328算法　<　1YOLOv6：又快又准的目标检测框架开源啦作者：楚怡　凯衡　等1. 概述YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。在部署方面，YOLOv6 支 持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大地简化工程部署时的适配工作。目前，项目已开源至 Github，传送门：YOLOv6。欢迎有需要的小伙伴们 Star 收藏，随时取用。精度与速度远超 YOLOv5 和 YOLOX 的新框架目标检测作为计算机视觉领域的一项基础性技术，在工业界得到了广泛的应用，其中 YOLO 系列算法因其较好的综合性能，逐渐成为大多数工业应用时的首选框架。至今，业界已衍生出许多 YOLO 检测框架，其中以 YOLOv5[1]、YOLOX[2] 和 PP-YOLOE[3] 最具代表性，但在实际使用中，我们发现上述框架在速度和精度方面仍有很大的提升的空间。基于此，我们通过研究并借鉴了业界已有的先进技术，开发了一套新的目标检测框架——YOLOv6。该框架支持模型训练、推理及多平台部署等全链条的工业应用需求，并在网络结构、训练策略等算法层面进行了多项改进和优化，在 COCO 数据集上，YOLOv6 在精度和速度方面均超越其他同体量算法，相关结果如下图 1 所示：算法2　>　2022年美团技术年货图 1-1　YOLOv6 各尺寸模型与其他模型性能对比图 1-2　YOLOv6 与其他模型在不同分辨率下性能对比算法　<　3图 1-1 展示了不同尺寸网络下各检测算法的性能对比，曲线上的点分别表示该检测算法在不同尺寸网络下（s/tiny/nano）的模型性能，从图中可以看到，YOLOv6 在精度和速度方面均超越其他 YOLO 系列同体量算法。图 1-2 展示了输入分辨率变化时各检测网络模型的性能对比，曲线上的点从左往右分