阿里飞猪推荐算法探索实践( 四 ) _推荐算法

③ 飞猪推荐的特点

文章插图

低频
第一个特点是低频性。旅行是一个较低频的行业，用户的旅行需求比较低频。低频就会导致用户旅行行为也比较稀疏，甚至会导致冷启动。
时空属性
第二个特点是时空属性，推荐需要考虑时空属性的特点。比如需要考虑当下什么样的玩法是比较热门的，又或者需要考虑时令的特点，比如每年3～4月樱花盛开时，需要重点去捕捉等。
周期性
第三个特点是周期性。比如每逢五一，用户可能会回老家。如果过去几年用户都选择回老家了，那么接下来的五一推荐算法会推测用户大概率也会回老家；过年也是一样的。我们可以根据相应的周期性特点，对推荐算法做相应的定制。
2. 旅行特色算法技术

文章插图

① 旅行推荐算法架构
整个旅行行业的推荐技术架构和电商推荐是差不多的，都是基础的四个环节，从基础能力的建设，到算法模型的迭代，再到线上的服务，最后到对应的业务场景，只是我们结合飞猪的业务特点，做了相应的定制与升级。比如在底层基础能力建设时，我们更多的需要去考虑基于旅行特色的用户理解；在召回层面，我们需要去考虑时空属性，还有用户旅行阶段和行程状态等；在排序时需要去考虑多端多场景应该怎样做？考虑周期性特点时又该怎样建模？
线上服务模块，除了刚才讲到的ABFS，BE，IGRAPH，RTP等，我们飞猪内部还有一个RTUS，可以简单理解成一个user center服务。
业务场景层面，我们飞猪有多端多场景的特点。例如，我们在淘宝、支付宝、飞猪APP都会有相应的场景，这是多端。还有多场景，我们营销场下可能有成百上千个小的场景，当然也还有一些较大的一些场景，比如猜你喜欢，购后等。
② RTUS

文章插图

接下来简单讲讲RTUS 。我们首先基于用户全链路日志拿到浏览、点击、搜索、加购、收藏、购买等数据，接着会先基于统计规则做简单的数据分析。比如对用户的行为数据做聚合，或对整个行业做个简单分析，观察下它的发展趋势等。
当我们拿到这样的统计数据后，可以进一步对用户的实时行程状态、兴趣，甚至旅行意图做出相应的预测。我个人理解飞猪不一定非要做端到端的推荐，也并不是简单的一个CTR预估模型能搞定的。我们在研究的过程中发现，旅行特色业务的理解，是至关重要的。所以，这里我们会基于RTUS的能力，将一些中间的预估结果，例如，用户对目的地的偏好等，融入到传统CTR预估模型中，会得到更好的效果。这就是RTUS的大致工作内容。
③ 用户行程状态感知召回

文章插图

接下来讲讲我们基于用户行程状态感知的召回；这个工作目前还没有公开，投递至ICDE2022上，正在审稿中。所以这个工作只能大体上讲一讲。
首先，我们基于用户的行程状态，例如是行前、行中、或行后等，对用户的profile信息做融合；接着，我们基于融合后的用户状态，对用户行为序列做特征提取；再接着，我们把上述两个模块各自的结果concat到一起，再过几层MLP，得到最终用户的表达。另一方面，我们基于target item的一些属性，同样经过几层MLP，得到最终item侧的表达；最后，通过一个内积函数得到最终的召回分数。离线实验部分，我们可以看出它相比电商里的模型而言，取得了较大幅度的提升；这也说明了，电商场景下的模型结构可能并一定适合旅行场景，我们需要结合旅行场景的理解定制相应的特色模型；另外，线上实验也表明，相比不加入这路基于行程状态感知的召回，也获得了不同程度的线上效果的提升。
④ 周期感知序列建模

文章插图

最后简单讲讲怎样把周期感知用在精排模型里面。这里我们可以把用户的行为序列按照横向和纵向两个方向进行组织。横向部分可以认为是每一年的数据，其中每个slice可以认为是每个月的数据；多个横向就代表着多年的数据，例如第一个行代表20年数据，第二行代表19年数据等；纵向部分，我们要考虑周期性的因素，例如如果需要建模用户每逢春节会有什么样的行为，我们可以把用户多年的春节的数据按照纵向的方式进行组织。总之，我们希望通过横向/纵向数据的组织，去挖掘出用户横向的兴趣衍化和纵向上周期的行为习惯。另外，每一个Slice里的建模方式和传统模型无异。这个模型我们暂时在离线AUC上拿到了一定的正向效果提升，仍在进一步优化中。03总结&展望