"4-9+旅行推荐场景下召回实践之路.pdf"
在旅行推荐场景中,召回是推荐系统的关键环节,其目标是有效地从海量商品中找出可能对用户感兴趣的项目。飞猪个性化推荐小组在此领域进行了深入研究,面对的挑战包括冷启动用户、行程表达与召回、基于用户行为的召回以及周期性复购的召回。
首先,对于**冷启动用户**,由于缺乏历史行为数据,推荐系统往往难以构建准确的用户画像。传统的全局热门推荐虽然简单但相关性较低,且容易导致严重的热门现象,个性化程度不足。飞猪通过用户不同域向量表达的映射来解决这个问题,例如使用LTM(Long-Term Memory)方法,结合多种属性组合,提升推荐的个性化程度。同时,他们还尝试了FTRL(Follow-the-Regularized-Leader)模型、GBDT(Gradient Boosted Decision Trees)和DeepNet等方法。GBDT的叶节点作为特征,可以提供更好的解释性,而DeepNet则能学习用户与商品的深层关系。为了兼顾新用户的可解释性,他们提出了Tree-Enhanced-UserAttr2I模型,将用户属性集与商品特征相结合,通过预训练模型实现。
其次,**行程的表达与召回**涉及到如何准确地理解用户在旅行过程中的需求。行程的多样性使得召回模型需要具备多维度的理解能力,这可能涉及到用户的状态、目的地、出行时间等多个因素。通过构建用户行程的表达模型,可以更精准地推荐符合用户当前或未来行程的商品和服务。
再者,**基于用户行为的召回**是利用用户的浏览、搜索、购买等行为数据进行推荐。飞猪采用的策略可能是通过分析用户的行为序列,找出行为模式,然后根据这些模式推荐相似或相关的商品。这种方法可以有效地提高推荐的相关性和满意度。
最后,**周期性复购的召回**关注的是如何捕捉用户的重复购买行为,例如定期旅行、常住酒店等。通过分析用户的购买周期和偏好,推荐系统可以提前预测用户的下次购买需求,提供适时的推荐。
在实践中,飞猪推荐系统采用不同的召回策略,如双塔结构和深度特征交叉,双塔结构能够独立建模用户和商品,提高检索效率,而深度特征交叉则能挖掘用户与商品之间的深层关系,尽管这可能导致模型复杂度增加。此外,他们还利用了预训练的GBDT模型和Attention机制,以提高冷启动用户的召回效果,并确保推荐的可解释性。
飞猪旅行推荐场景下的召回实践是多维度、多层次的,涵盖了用户特性、行为模式、行程理解以及复购行为等多个方面。通过不断创新和优化模型,飞猪致力于提供更加精准、个性化的旅行推荐服务。