旅行推荐算法探索：从ESMM到ESM^2

"旅行场景下的推荐算法探索.pdf" 在旅行场景下，推荐算法是提升用户体验、增加用户黏性和商业价值的关键技术。本资料由阿里巴巴集团高级算法专家温鸿（青干）分享，主要探讨了电商推荐算法及其在飞猪平台的应用。 电商推荐算法简介： 推荐系统通常包括多种技术框架，如逛逛、订阅、商家私域、猜你喜欢以及Push等。这些场景各有特点，服务于不同的用户需求。推荐技术的核心目标是根据用户的兴趣和行为，提供个性化的产品或服务推荐。 高效推荐方案： 为了提供实时、精准的推荐，采用客户端+边缘计算的策略，结合ABFS（Alibaba Big File System）、BE（Backend Engine）和IGRAPH、RTP（Real-time Processing）等工具，构建了一套高效的TPP（Triple-Phase Prediction）推荐方案。这一方案能够处理大量的用户行为数据，快速生成和更新用户和商品的表示，以支持实时推荐。 基础能力与数据处理： 推荐系统的基石包括用户表、商品表和行为表，它们存储了丰富的用户信息、商品属性和用户行为记录。日志收集和基础数据处理是关键步骤，涵盖了统计类、向量类、序列类和反馈类的数据。特征抽取和样本生成用于训练模型，而机器学习平台则提供了模型校验和模型上线的能力。 模型与算法： 推荐算法通常涉及多种机器学习模型，如协同过滤、深度学习模型如DIN（Deep Interest Network）和DIEN（Deep Interest Evolution Network）。这些模型可以捕捉用户的短期和长期兴趣，提高推荐的准确性。此外，还有全空间的CVR（Conversion Rate，转化率）预估模型，如ESMM（Entire Space Multi-Task Modeling）和ESM^2。 CVR预估挑战与解决方案： 传统的CVR模型面临样本选择偏差（SSB）、数据稀疏性（DS）和购买正样本缺乏的问题。ESMM模型通过引入CTR（Click-Through Rate，点击率）和CTCVR（Click-to-Conversion Rate，点击到转化率）作为辅助任务，解决了这些问题。它利用共享Embedding缓解DS问题，并通过全空间的任务推导消除SSB。然而，ESMM模型忽略了用户购买决策的复杂性，以及购买正样本缺乏的影响。 ESM^2模型的改进： ESM^2模型针对ESMM的不足，提出引入合适的post-click行为来缓解购买正样本的缺乏，并通过全空间建模来解决SSB问题。多任务学习的方法被用于更准确地预测转化率，将用户行为分解为多个阶段，从而更好地理解和预测用户的购买决策过程。 总结与展望： 旅行场景下的推荐算法将继续发展和完善，未来可能涉及更复杂的用户行为理解、更精确的个性化推荐，以及更高效的计算架构。随着技术的进步，推荐系统将更好地服务于旅行者，提升其在各个阶段的体验，同时也为商家提供更有效的营销策略。