PFRN: Personalized Flight Itinerary Ranking at Fliggy

61 阅读2分钟

摘自 阿里飞猪个性化搜索排序探索实践 mp.weixin.qq.com/s/KrTlI6jGc…

原文:dl.acm.org/doi/10.1145…

背景

image.png

挑战

image.png

image.png

解法

架构

image.png

deep listwise model

image.png 为什么要使用DLM模型呢,DLM模型具有以下几个优点:

  • 交通排序结果多样性
  • 模拟用户决策过程
  • 工程打分延时低

deep choice model

image.png

PFRN:Personalized Flight Ranking Network

DCM第一版模型的效果对我们有很大启发,基于这一版模型的探索,我们进一步优化提出了PFRN模型,这篇论文已公开发表在CIKM’20。模型本身是经典的双塔结构,左边是航班序列的表征,右边是用户行为序列表征,上层对两个序列做Attention,表示用户对航班序列的偏好或者是感兴趣程度。我们提出了LFE序列编码结构,编码结构是一个比较大的创新点。 image.png

PFRN:Listwise Feature Encoding ( LFE )

image.png

如何缓解用户行为稀疏性

模型要解决第二个问题是如何缓解用户行为的稀疏性,我们目前的工作相对来说还比较简单:基于用户人群划分(基于业务规则),人群被划分为六大类,每一个用户又会映射到其中一类,在做用户行为表征的时候,除了用户个体的行为,还会把群体的行为引进来。例如,如果用户是旅行/出差意图用户,用户群体购买行为可以融合到现有的当前用户的行为中去,这种融合通过实验发现对整体的排序效果带来很大提升。 image.png

效果

第一类模型:基于规则的Cheapest,按低价排序;第二类模型:传统机器学习模型;第三类模型:近几年一些搜索排序相关论文工作比较。Online实验效果,整体转化率提升接近4%。

image.png image.png image.png image.png

未来思考

image.png