文章从算法、架构两方面阐述排序学习。算法部分采用理论结合类比的方式进行讲解，希望帮助读者更容易地掌握排序学习核心概念。架构部分阐述如何设计一个良好的在线排序学习预测框架，包括特征治理、召回治理和分层模型三块。重点剖析了在线排序分层模型的组成、各模块的功能以及部分实现。

美团点评DBA团队经历了从人肉运维到工具化、产品化、自助化、自动化的转型之旅，也开始了智能运维在数据库领域的思考和实践。

本文主要介绍了美团智能支付业务在稳定性方向所面临的挑战、踩过的坑，并重点介绍QA在稳定性测试中的一些总结和实践，供大家参考。

本文分享了美团配送在即时配送领域中机器学习技术的最新进展，其主题是如何通过大数据和机器学习手段，建立对线下真实世界的各种场景的感知能力，还原和预测配送过程各个细节，提升整体配送系统的整体精度。

从饭否到美团，潘魏增用十年的技术生涯，诠释了“长期有耐心”这句话的含义。在他看来，长期有耐心，其实也是延迟满足感。

在美团做AI，有一个非常大的优势，就是数据和应用场景丰富，可以把各种各样的前沿技术用到实际产品中，改善亿万人的生活。要把几亿消费者与数百万生活服务商家高效地连接起来，AI有很多用武之地，因此比较大的业务部门中的技术团队，都有从事AI的同学。

DB数据是大数据场景下进行数据分析与挖掘的重要数据来源，是ODS层数据的重要构成部分。本文主要从Binlog流式采集和基于Hive的ODS数据生产两方面，介绍美团点评各业务线的DB数据同步到数据仓库的架构和实践。

本文主要分享了美团外卖iOS客户端针对App冷启动性能进行治理的一些经验。

本文是在美团点评业务快速发展背景下，针对大型移动项目的静态分析需求，结合开源项目利弊，最终设计实现了静态分析框架 Hades 项目。

多年来，基于MySQL构建的传统关系型数据库服务，已经难于支撑美团业务的爆发式增长，这就促使我们去探索更合理的数据存储方案，并实践新的运维方式。

美团外卖已经发展了五年，即时物流的探索也经历了3年多的时间，业务从零孵化到初具规模，整个过程中也积累了一些分布式高并发系统的建设经验。

美团NLP中心开始构建餐饮娱乐知识图谱——美团大脑。它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，构建人、店、商品、标签之间的知识关联，从而构建出一个“知识大脑”。

Java提供了种类丰富的锁，每种锁因其特性的不同，在适当的场景下能够展现出非常高的效率。本文旨在对锁相关源码、使用场景进行举例，为读者介绍主流锁的知识点，以及不同的锁的适用场景。

介绍强化学习在美团推荐排序中的应用，包括三个部分：多模型融合的MDP设计奠定了取得收益的基础；针对强化学习鲁棒性和样本利用效率较低的问题，改进DDPG模型使线上取得稳定收益；基于TensorFlow的轻量级实时DRL框架为快速迭代实验提供了保障。

移动端白屏优化是前端界面体验的一个重要优化方向，Web 前端诞生了 SSR 、CSR、预渲染等技术。在美团支付的前端技术体系里，通过预渲染提升网页首帧优化，从而优化了白屏问题，提升用户体验，并形成最佳实践。

本文主要分享了美团在容器技术上做的一些探索和实践，内容主要涵盖美团容器云在Linux Kernel、Docker和Kubernetes层面做的一些优化工作，以及美团内部推动容器化进程的一些思考。

本文主要介绍如何通过 Category 特性来实现优雅的组件间通信方案，并分享美团平台对于 Category 用法的管控与实践。

成长没有什么秘笈，就是一点点去突破自己的边界就好。对技术同学来说，我们应该要拓宽技术视野，并且保持不断的学习心态。

入侵检测是每一个大型互联网企业都要面对的难题。价值越高的公司，面临入侵的威胁越大，一旦发生在数据化的互联网公司身上，其后果也不堪设想。

CAT（Central Application Tracking），是基于Java开发的分布式实时监控系统。CAT目前在美团点评的产品定位是应用层的统一监控组件，在中间件（RPC、数据库、缓存、MQ等）框架中得到广泛应用，为各业务线提供系统的性能指标、健康状况、实时告警等。