摘自 阿里飞猪个性化搜索排序探索实践 mp.weixin.qq.com/s/KrTlI6jGc…
背景
挑战
解法
架构
deep listwise model
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
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。
PFRN：Listwise Feature Encoding ( LFE )
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。
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%。
