美团怎么评价_百度知道
美团怎么评价
我有更好的答案
消费之后才能评价
买完了也拿完啦也付完钱啦就是不知道怎么评价
点击团购订单进去
里面就有待评价了
上面写还没有此类订单？
那你就是评价过了，不然的话，它会一直在里面等待评价的
怎么会呢？每次我忘了评价的，就算半年之后也会等我评价的，和淘宝一样，这
恩好吧那评价有什么好处
评价加经验吧，也没什么好处，就是你作为一个消费过的人，你有义务请假下，为别人提供点信息，这样他才能更清楚的知道情况
就像你在淘宝买东西，都是看评价再买，别人说的好处坏处一目了然，你就可以选择了
美团券使用后才能评价
买完了也拿到了
也付款啦就是不知道怎么评价
你要去店里使用了才行
上面写着还没有此类订单
去店里把美团券用了
那评价有什么好处
让别人知道店家的服务态度和商品的好差呗
其他类似问题
为您推荐：
美团的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁为什么美团评价会到微信朋友圈里去?_百度知道
为什么美团评价会到微信朋友圈里去?
提问者采纳
您的采纳是我前进的动力你好。很有可能在你的美团设置中有分享链接地址 你可以选择取消微信选项，互相理解！。~希望回答对你有帮助，请继续“追问”，如果有疑问！~答题不易，感谢您
电子产品技术支持
相关专业回答
应该是在美团评价的时候，勾选了分享到微信朋友圈了，可以不分享的，设置方法如下：
点击打开手机上的”美团“；
进入美团的界面后，先点击”我的“，再点击”团购订单“；
在团购订单的界面上找到待评价的订单，点击打开评价的界面；
在评价的界面上，上传好图片，弄好文字等内容，滑动页面到底下，即可看到一栏”一键同步到朋友圈“的内容，去掉选项右边...
其他类似问题
为您推荐：
其他2条回答
你可以选择取消微信选项，点一下就变暗了，或者是系统默认的分享到微信你肯定是点了下面分享到微信的图标，下面不是有个微信的图标， 就不会分享了
很有可能在你的美团设置中有分享链接地址 你可以选择取消微信选项。
美团的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁【伊犁团购大全】伊犁团购网站大全_伊犁团购导航_美团网
门店价?295
门店价?350前言推荐系统并不是新鲜的事物，在很久之前就存在，但是推荐系统真正进入人们的视野，并且作为一个重要的模块存在于各个互联网公司，还是近几年的事情。随着互联网的深入发展，越来越多的信息在互联网上传播，产生了严重的信息过载。如果不采用一定的手段，用户很难从如此多的信息流中找到对自己有价值的信息。解决信息过载有几种手段：一种是搜索，当用户有了明确的信息需求意图后，将意图转换为几个简短的词或者短语的组合（即query），然后将这些词或短语组合提交到相应的搜索引擎，再由搜索引擎在海量的信息库中检索出与query相关的信息返回给用户；另外一种是推荐，很多时候用户的意图并不是很明确，或者很难用清晰的语义表达，有时甚至连用户自己都不清楚自己的需求，这种情况下搜索就显得捉襟见肘了。尤其是近些年来，随着电子商务的兴起，用户并非一定是带着明确的购买意图去浏览，很多时候是去“逛”的，这种情景下解决信息过载，理解用户意图，为用户推送个性化的结果，推荐系统便是一种比较好的选择。美团作为国内发展较快的o2o网站，有着大量的用户和丰富的用户行为，这些为推荐系统的应用和优化提供了不可或缺的条件，接下来介绍我们在推荐系统的构建和优化过程中的一些做法，与大家共享。框架从框架的角度看，推荐系统基本可以分为数据层、触发层、融合过滤层和排序层。数据层包括数据生成和数据存储，主要是利用各种数据处理工具对原始日志进行清洗，处理成格式化的数据，落地到不同类型的存储系统中，供下游的算法和模型使用。候选集触发层主要是从用户的历史行为、实时行为、地理位置等角度利用各种触发策略产生推荐的候选集。候选集融合和过滤层有两个功能，一是对出发层产生的不同候选集进行融合，提高推荐策略的覆盖度和精度；另外还要承担一定的过滤职责，从产品、运营的角度确定一些人工规则，过滤掉不符合条件的item。排序层主要是利用机器学习的模型对触发层筛选出来的候选集进行重排序。同时，对与候选集触发和重排序两层而言，为了效果迭代是需要频繁修改的两层，因此需要支持ABtest。为了支持高效率的迭代，我们对候选集触发和重排序两层进行了解耦，这两层的结果是正交的，因此可以分别进行对比试验，不会相互影响。同时在每一层的内部，我们会根据用户将流量划分为多份，支持多个策略同时在线对比。数据应用数据乃算法、模型之本。美团作为一个交易平台，同时具有快速增长的用户量，因此产生了海量丰富的用户行为数据。当然，不同类型的数据的价值和反映的用户意图的强弱也有所不同。行为类别行为详情主动行为数据搜索、筛选、点击、收藏、下单、支付、评分UGC文本评价、上传图片负反馈数据左滑删除、取消收藏、取消订单、退款、负评、低评用户画像用户人口属性、美团DNA、品类偏好、消费水平、工作地与居住地用户主动行为数据记录了用户在美团平台上不同的环节的各种行为，这些行为一方面用于候选集触发算法（在下一部分介绍）中的离线计算（主要是浏览、下单），另外一方面，这些行为代表的意图的强弱不同，因此在训练重排序模型时可以针对不同的行为设定不同的回归目标值，以更细地刻画用户的行为强弱程度。此外，用户对deal的这些行为还可以作为重排序模型的交叉特征，用于模型的离线训练和在线预测。负反馈数据反映了当前的结果可能在某些方面不能满足用户的需求，因此在后续的候选集触发过程中需要考虑对特定的因素进行过滤或者降权，降低负面因素再次出现的几率，提高用户体验；同时在重排序的模型训练中，负反馈数据可以作为不可多得的负例参与模型训练，这些负例要比那些展示后未点击、未下单的样本显著的多。用户画像是刻画用户属性的基础数据，其中有些是直接获取的原始数据，有些是经过挖掘的二次加工数据，这些属性一方面可以用于候选集触发过程中对deal进行加权或降权，另外一方面可以作为重排序模型中的用户维度特征。通过对UGC数据的挖掘可以提取出一些关键词，然后使用这些关键词给deal打标签，用于deal的个性化展示。策略触发上文中我们提到了数据的重要性，但是数据的落脚点还是算法和模型。单纯的数据只是一些字节的堆积，我们必须通过对数据的清洗去除数据中的噪声，然后通过算法和模型学习其中的规律，才能将数据的价值最大化。在本节中，将介绍推荐候选集触发过程中用到的相关算法。1. 协同过滤提到推荐，就不得不说协同过滤，它几乎在每一个推荐系统中都会用到。基本的算法非常简单，但是要获得更好的效果，往往需要根据具体的业务做一些差异化的处理。清除作弊、刷单、代购等噪声数据。这些数据的存在会严重影响算法的效果，因此要在第一步的数据清洗中就将这些数据剔除。合理选取训练数据。选取的训练数据的时间窗口不宜过长，当然也不能过短。具体的窗口期数值需要经过多次的实验来确定。同时可以考虑引入时间衰减，因为近期的用户行为更能反映用户接下来的行为动作。user-based与item-based相结合。群体/个体计算代价适用场景冷启动可解释性实时性user-based更依赖于当前用户相近的用户群体的社会化行为适用于用户数较少的场合时效性强，用户个性化兴趣不太显著的场合新加入的物品能很快进入推荐列表弱用户新的行为不一定导致推荐结果的变化item-based更侧重用户自身的个体行为适用于物品数较少的场合长尾物品丰富，用户个性化需求强烈的场合新加入的用户能很快得到推荐强用户新的行为一定导致推荐结果的变化尝试不同的相似度计算方法。在实践中，我们采用了一种称作loglikelihood ratio[1]的相似度计算方法。在mahout中，loglikelihood ratio也作为一种相似度计算方法被采用。下表表示了Event A和Event B之间的相互关系，其中：k11 ：Event A和Event B共现的次数k12 ：Event B发生，Event A未发生的次数k21 ：Event A发生，Event B未发生的次数k22 ：Event A和Event B都不发生的次数Event AEverything but AEvent BA and B together (k_11)B, but not A (k_12)Everything but BA without B (k_21)Neither A nor B (k_22)则logLikelihoodRatio=2 * (matrixEntropy - rowEntropy - columnEntropy)其中rowEntropy = entropy(k11, k12) + entropy(k21, k22)columnEntropy = entropy(k11, k21) + entropy(k12, k22)matrixEntropy = entropy(k11, k12, k21, k22)(entropy为几个元素组成的系统的香农熵)2. location-based对于移动设备而言，与PC端最大的区别之一是移动设备的位置是经常发生变化的。不同的地理位置反映了不同的用户场景，在具体的业务中可以充分利用用户所处的地理位置。在推荐的候选集触发中，我们也会根据用户的实时地理位置、工作地、居住地等地理位置触发相应的策略。根据用户的历史消费、历史浏览等，挖掘出某一粒度的区域（比如商圈）内的区域消费热单和区域购买热单区域消费热单区域购买热单当新的线上用户请求到达时，根据用户的几个地理位置对相应地理位置的区域消费热单和区域购买热单进行加权，最终得到一个推荐列表。此外，还可以根据用户出现的地理位置，采用协同过滤的方式计算用户的相似度。3. query-based搜索是一种强用户意图，比较明确的反应了用户的意愿，但是在很多情况下，因为各种各样的原因，没有形成最终的转换。尽管如此，我们认为，这种情景还是代表了一定的用户意愿，可以加以利用。具体做法如下：对用户过去一段时间的搜索无转换行为进行挖掘，计算每一个用户对不同query的权重。计算每个query下不同deal的权重。当用户再次请求时，根据用户对不同query的权重及query下不同deal的权重进行加权，取出权重最大的TopN进行推荐。4. graph-based对于协同过滤而言，user之间或者deal之间的图距离是两跳，对于更远距离的关系则不能考虑在内。而图算法可以打破这一限制，将user与deal的关系视作一个二部图，相互间的关系可以在图上传播。Simrank[2]是一种衡量对等实体相似度的图算法。它的基本思想是，如果两个实体与另外的相似实体有相关关系，那它们也是相似的，即相似性是可以传播的。Let s(A,B) denote the similarity between persons A and B, for A != BLet s(c,d) denote the similarity between items c and d, for c != dO(A),O(B): the set of out-neighbors for node A or node BI(c),I(d): the set of in-neighbors for node c or node dsimrank的计算（采用矩阵迭代的方式）计算得出相似度矩阵后，可以类似协同过滤用于线上推荐。5. 实时用户行为目前我们的业务会产生包括搜索、筛选、收藏、浏览、下单等丰富的用户行为，这些是我们进行效果优化的重要基础。我们当然希望每一个用户行为流都能到达转化的环节，但是事实上远非这样。当用户产生了下单行为上游的某些行为时，会有相当一部分因为各种原因使行为流没有形成转化。但是，用户的这些上游行为对我们而言是非常重要的先验知识。很多情况下，用户当时没有转化并不代表用户对当前的item不感兴趣。当用户再次到达我们的推荐展位时，我们根据用户之前产生的先验行为理解并识别用户的真正意图，将符合用户意图的相关deal再次展现给用户，引导用户沿着行为流向下游行进，最终达到下单这个终极目标。目前引入的实时用户行为包括：实时浏览、实时收藏。6. 替补策略虽然我们有一系列基于用户历史行为的候选集触发算法，但对于部分新用户或者历史行为不太丰富的用户，上述算法触发的候选集太小，因此需要使用一些替补策略进行填充。热销单：在一定时间内销量最多的item，可以考虑时间衰减的影响等。好评单：用户产生的评价中，评分较高的item。城市单：满足基本的限定条件，在用户的请求城市内的。子策略融合为了结合不同触发算法的优点，同时提高候选集的多样性和覆盖率，需要将不同的触发算法融合在一起。常见的融合的方法有以下几种[3]：加权型：最简单的融合方法就是根据经验值对不同算法赋给不同的权重，对各个算法产生的候选集按照给定的权重进行加权，然后再按照权重排序。分级型：优先采用效果好的算法，当产生的候选集大小不足以满足目标值时，再使用效果次好的算法，依此类推。调制型：不同的算法按照不同的比例产生一定量的候选集，然后叠加产生最终总的候选集。过滤型：当前的算法对前一级算法产生的候选集进行过滤，依此类推，候选集被逐级过滤，最终产生一个小而精的候选集合。目前我们使用的方法集成了调制和分级两种融合方法，不同的算法根据历史效果表现给定不同的候选集构成比例，同时优先采用效果好的算法触发，如果候选集不够大，再采用效果次之的算法触发，依此类推。候选集重排序如上所述，对于不同算法触发出来的候选集，只是根据算法的历史效果决定算法产生的item的位置显得有些简单粗暴，同时，在每个算法的内部，不同item的顺序也只是简单的由一个或者几个因素决定，这些排序的方法只能用于第一步的初选过程，最终的排序结果需要借助机器学习的方法，使用相关的排序模型，综合多方面的因素来确定。1. 模型非线性模型能较好的捕捉特征中的非线性关系，但训练和预测的代价相对线性模型要高一些，这也导致了非线性模型的更新周期相对要长。反之，线性模型对特征的处理要求比较高，需要凭借领域知识和经验人工对特征做一些先期处理，但因为线性模型简单，在训练和预测时效率较高。因此在更新周期上也可以做的更短，还可以结合业务做一些在线学习的尝试。在我们的实践中，非线性模型和线性模型都有应用。非线性模型目前我们主要采用了非线性的树模型Additive Groves[4]（简称AG），相对于线性模型，非线性模型可以更好的处理特征中的非线性关系，不必像线性模型那样在特征处理和特征组合上花费比较大的精力。AG是一个加性模型，由很多个Grove组成，不同的Grove之间进行bagging得出最后的预测结果，由此可以减小过拟合的影响。每一个Grove有多棵树组成，在训练时每棵树的拟合目标为真实值与其他树预测结果之和之间的残差。当达到给定数目的树时，重新训练的树会逐棵替代以前的树。经过多次迭代后，达到收敛。线性模型目前应用比较多的线性模型非Logistic Regression莫属了。为了能实时捕捉数据分布的变化，我们引入了online learning，接入实时数据流，使用google提出的FTRL[5]方法对模型进行在线更新。主要的步骤如下：在线写特征向量到HBaseStorm解析实时点击和下单日志流，改写HBase中对应特征向量的label通过FTRL更新模型权重将新的模型参数应用于线上2. 数据采样：对于点击率预估而言，正负样本严重不均衡，所以需要对负例做一些采样。负例：正例一般是用户产生点击、下单等转换行为的样本，但是用户没有转换行为的样本是否就一定是负例呢？其实不然，很多展现其实用户根本没有看到，所以把这样样本视为负例是不合理的，也会影响模型的效果。比较常用的方法是skip-above，即用户点击的item位置以上的展现才可能视作负例。当然，上面的负例都是隐式的负反馈数据，除此之外，我们还有用户主动删除的显示负反馈数据，这些数据是高质量的负例。去噪：对于数据中混杂的刷单等类作弊行为的数据，要将其排除出训练数据，否则会直接影响模型的效果。3. 特征在我们目前的重排序模型中，大概分为以下几类特征：deal(即团购单，下同)维度的特征：主要是deal本身的一些属性，包括价格、折扣、销量、评分、类别、点击率等user维度的特征：包括用户等级、用户的人口属性、用户的客户端类型等user、deal的交叉特征：包括用户对deal的点击、收藏、购买等距离特征：包括用户的实时地理位置、常去地理位置、工作地、居住地等与poi的距离对于非线性模型，上述特征可以直接使用；而对于线性模型，则需要对特征值做一些分桶、归一化等处理，使特征值成为0~1之间的连续值或01二值。总结以数据为基础，用算法去雕琢，只有将二者有机结合，才会带来效果的提升。对我们而言，以下两个节点是我们优化过程中的里程碑：将候选集进行融合：提高了推荐的覆盖度、多样性和精度引入重排序模型：解决了候选集增加以后deal之间排列顺序的问题以上是我们在实践中的一点总结，当然我们还有还多事情要做。we are still on the way!注：本文为美团推荐与个性化团队集体智慧的结晶，感谢为此辛苦付出的每一个成员。同时，团队长期招聘算法工程师与平台研发工程师，感兴趣的同学请联系hr.，邮件标题注明“应聘推荐系统工程师”。Referencehttp://en.wikipedia.org/wiki/Likelihood-ratio_testSimRank: a measure of structural-context similarityhttp://www.52ml.net/318.htmlhttp://additivegroves.net/Ad Click Prediction: a View from the Trenches关于21CTO社区是中国互联网第一技术人脉与社交平台。我们为国内最优秀的开发者提供社交、学习等产品，帮助企业快速对接开发者，包括人才招聘，项目研发，顾问咨询服务。看微信文章不过瘾，请移步到网站，诚挚欢迎您加入社区作者团队。网站地址：投稿邮箱： QQ群：
（欢迎扫描下列二维码关注本微信号）21CTO社区(we21cto)　
　文章为作者独立观点，不代表微头条立场
的最新文章
什么是 http劫持，DNS劫持为何物？HTTP 劫持是在使用者与其目的网络服务所建立的专用数据通道中，监视网络爬虫，是一种按照一定的规则，自动的抓取互联网信息的程序或者脚本。网络爬虫是搜索引擎系统中十分重要的组成部技术招聘这次我来讲一下技术招聘那点儿事。互联网公司招聘技术同学，不少实体商业企业开始互联网+企业，也在招聘技如何在创业初期尽量节约人员成本？匿名用户哎~曾经在产品原型样机设计好之后，被SB偷偷摸摸拿走所有技术资料后，在LinkedIn的数据基础设施中，Kafka是核心支柱之一。来自LinkedIn的工程师曾经就Kafka写大数据处理是一个头疼的问题，特别当达不到专业DBA的技术水准时，对一些数据库方面的问题感到无赖。所以还是有必一个程序员很有必要熟悉或者精通一种数据库，MySQL无疑是首选。为什么使用MySQL呢，因为它是开源的，同时2016年春节，经过七天鏖战，奥特曼终于战胜了怪兽，微影研发团队过了这关。十亿级别DPV千万级别DAU系统可作者：袁鸣凯来源：CSDN博客新年新事，来点轻松的话题。我们调剂一下后再继续讲CAS SSO单点登录吧因为后我们都知道，编程语言是一组用来定义计算机程序的语法规则。它是一种被标准化的交流语言，用来向计算机发出指令。一近二年的技术进展，比如前端发展日新月异, 甚至有一句戏言: "每六星期重写一个前端框架", 行业是像火箭一样, 但是...对很多人而言，配置Nginx+PHP无外乎就是搜索一篇教程，然后拷贝粘贴。听上去似乎也没什么问题，可惜实际上毫无疑问，我们正处在一个伟大的时代，充满了机遇与挑战。互联网已经走过了十几个年头，但它仍然还是个小孩子，作为本文作者为21CTO（）创始人洛逸，本名杜江。作者有15年以上编码架构经验，原赶集网创始团MySQL复制能够保证数据的冗余的同时可以做读写分离来分担系统压力，如果是主主复制还可以很好的避免主节点的单在这篇文章中，我们将会对PHP7 OPcache引擎中的安全问题进行讲解，而且还会给大家介绍一种新型的漏洞利在Mezzanine项目中我们描述了我们是如何将Uber的核心行程数据从单个的Postgres节点迁移到ScMake everything as simple as possible, but not simpler社区导读：经过2014年一年的酝酿，2015微信红包总量创下历史新高，峰值1400万次/秒，8.1亿次每分钟21CTO导读：他被誉为当代的「钢铁侠」，拥有数量超酷跑车，玩私人飞机以及无法长久地停留在一个女人身边。板上1.有位木匠砍了一颗树，把它做了三个木桶。一个装粪，就叫粪桶，众人躲着；一个装水，就叫水桶，众人用着；一个装技术圈的性别歧视早已不是啥新鲜事，但是事实表明，女性程序员的代码接受率可以达到78.6%，比男性程序员的74.6%要高。。。如果你有个程序员朋友你们约饭的模式可能是这样的如果你有个程序员朋友你们友谊的小船一直都没有翻船那很有可能码农公元xxxx年的某一天，苦逼的程序员们终于摆脱了产品经理的统治，宣布成立Hello World共和国，定都G背景说明：小拽利用php的curl写的爬虫，实验性的爬取了知乎5w用户的基本信息；同时，针对爬取的数据，进行对于龙泉寺来说，一个保持神秘的“高知僧团”成为外界企图窥视的焦点。在他们看来，这是佛教的发展的人才储备，因为我们基因编码里就有足够多的压力感受器。很久以来，我们人类生下来就和其他禽兽不一样的地方。在本文中，我从成长角度，如何从新手到编程高手，成为真正一个程序的方法与实践论。包括读书，读别人代码等升级打怪的过程。。。近年在国内，不少公司走出去向硅谷，向Facebook，向Google学习，学习他们那种极客精神，对产品的极致上海人庄辰超，生于1976年，是位天才极客。中学时期就拿下全美数学金牌。创办去哪儿之前，庄辰超有过两次创业经虽然PHP 中，多进程用的比较的少。但是毕竟可能是会用到了。我最近就遇到这样一个问题，用户提交几百个url以一般来说，PHP数组的内存利用率只有 1/10, 也就是说，一个在C语言里面100M 内存的数组，在PHP里面就要1G。优化准则：1. 二八法则：在任何一组东西中，最重要的只占其中一小部分，约20%，其余80%的尽管是多数，却是导读：本文来自淘宝团队内部经验分享,描述淘宝数据库团队针对MySQL数据库Metadata Lock子系统的MySQL出现乱码的原因要了解为什么会出现乱码，我们就先要理解：从客户端发起请求，到MySQL存储数据，再到Airbnb成立于2008年8月，拥有世界一流的客户服务和日益增长的用户社区。随着Airbnb的业务日益复杂一、前言本文主要测试redis实现session共享的实现方式，不讨论如何让nginx参与实现负载均衡等。二PINGO是一个由百度大数据部与百度美国研发中心合作而成的分布式交换查询平台。本文将详细介绍PINGO过去一本篇文章的主旨是使用 .NET/C# 实现 TCP 高性能服务的不同方式，包括但不限于如下内容：APM 方式堆(Heap)就是为了实现优先队列而设计的一种数据结构，它是通过构造二叉堆(二叉树的一种)实现。根节点最大的当你没有选择余地的时候，努力是唯一的变数。当你有选择余地的时候，选择（运气）比努力重要。这本书通过一个流程来（PayPal早期团队，最后排左一是Levchin）Max Levchin（PayPay黑帮中的军师）在硅谷网络爬虫已经成了很普及的网络技术，会代码的可以自己捣鼓一个高级的“人工智能”爬虫，不会的也可以从网上下载一个缓存技术是一个老生常谈的问题，但是它也是解决性能问题的利器，一把瑞士军刀；而且在各种面试过程中或多或少会被问其实在程序员界中，很少有人出来创业，他们总是不停的担心经济形势去向不明，家庭生活压力大，担心自己挑错了合伙人对于一些数据量较大的系统，数据库面临的问题除了查询效率低下，还有就是数据入库时间长。特别像报表系统，每天花费作者：陈运文
网址：.cn/365/3653333_all.htm我是技术出身的创业者，也担任过创业公司CTO，中型互联网公司CTO。我现在自己作为一个创业者CEO，暂时身兼顾庆：今天会跟大家分享一下我们在携程，现在应该是正在推广的一个新的消息系统，主要会偏重于讲一些架构和实现方面大家都喜欢用豪宅名车来展现富人的生活。更夸张的是，很多人把拥有奢侈品和更有钱划了等号，仿佛身怀7件名牌就能召we21cto是中国互联网界RD高端人脉与社交平台。主要会员为CTO、技术总监，技术专家，技术经理，高级研发工程师以及产品经理。本公众平台为为会员提供服务的帐号。热门文章最新文章we21cto是中国互联网界RD高端人脉与社交平台。主要会员为CTO、技术总监，技术专家，技术经理，高级研发工程师以及产品经理。本公众平台为为会员提供服务的帐号。