旅行场景下基于用户行程的个性化深度召回模型

1. Itinerary-aware Personalized Deep Matching at Fliggy Jia Xu, Ziyi Wang*, Zulong Chen, Detao Lv, Yao Yu, Chuanfei Xu S e pte mb e r 3, 2021

2. Co 01 背景 02 相关工作 03 F itN E T Mo d e l 04 实验 05 总结 & 展望

3. Co 01 背景 02 相关工作 03 F itN E T Mo d e l 04 实验 05 总结 & 展望

4. 背景 • Fliggy • 国内领先的在线旅游平台 • 为出行用户提供丰富的旅行服务 • 机票, 酒店, 火车票, 跟团游, 门票等等. • 已经服务了数千万的线上消费者 2021/9/3 4

5. 背景支付完成页 2021/9/3 订单列表页订单详情页 5

6. 背景 • Major challenges facing OTPs: • Sparcity (稀疏性) • Diversity (多样性) • Implicitness (隐性) 2021/9/3 Order Id Trajectory Category Start Date&Time End Date&Time 1 Guangzhou→Nanning Train ticket 2020/1/7 11:47 2020/1/7 15:33 2 Nanning→Bangkok Air ticket 2020/1/7 19:25 2020/1/7 20:45 3 4 Bangkok Bangkok→Nanning Package tour Air ticket 2020/1/8 00:00 2020/1/11 19:15 2020/1/11 12:00 2020/1/11 22:00 5 Nanning→Guangzhou Train ticket 2020/1/12 15:40 2020/1/12 19:24 6

7. Co 01 背景 02 相关工作 03 F itN E T Mo d e l 04 实验 05 总结 & 展望

8. 相关工作 Wang, Jizhe, et al. "Billion-scale commodity embedding for e-commerce recommendation in alibaba." Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2018. Covington, Paul, Jay Adams, and Emre Sargin. "Deep neural networks for youtube recommendations." Proceedings of the 10th ACM conference on recommender systems. 2016. Li, Chao, et al. "Multi-interest network with dynamic routing for recommendation at Tmall." Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019. 2021/9/3 8

9. Co 01 背景 02 相关工作 03 F itN E T Mo d e l 04 实验 05 总结 & 展望

10. FitNET Model 2 1 3 Architecture of FitNET 2021/9/3 10

11. FitNET Model 2021/9/3 11

12. FitNET Model 建模用户的出行意图 2021/9/3 12

13. FitNET Model 建模用户的行程 2021/9/3 13

14. FitNET Model 建模用户的多样性需求 2021/9/3 14

15. Co 01 背景 02 相关工作 03 F itN E T Mo d e l 04 实验 05 总结 & 展望

16. 离线实验 • 离线实验数据集 2021/9/3 16

17. 离线实验 • 负采样实验 -- Setting 1 随机的从商品池中采样作为负样本 2021/9/3 17

18. 离线实验 • 负采样实验 -- Setting 2 50%负样本与正样本相同类目，50%负样本与正样本不同类目 2021/9/3 18

19. 离线实验 • 负采样实验 -- Setting 3 10%负样本与正样本相同类目，90%负样本与正样本不同类目 2021/9/3 19

20. 离线实验 • 负采样实验 – 总结 • Setting 2 和 Setting 3结果显著优于Setting 1，说明负采样中类目的限能带来正向收益 • 随着负样本数量的增加，模型的性能也随之提升，1:10的正负样本比是比较合理的，在此基础上再增加负样本的数量效果提升不显著 2021/9/3 20

21. 离线实验 • Ablation Study 2021/9/3 21

22. 离线实验 • 与其他Baselines的对比实验 2021/9/3 22

23. 实验: 线上 A/B Test • 线上一周的a/b实验，线上CTR如下图所示 2021/9/3 23

24. 实验: Show Case 2021/9/3 24

25. 实验: Show Case 2021/9/3 25

26. 实验: Show Case 2021/9/3 26

27. Co 01 背景 02 相关工作 03 F itN E T Mo d e l 04 实验 05 总结 & 展望

28. 总结和展望 • 总结 • 首次基于旅行特色提出了“行程”的概念 • 提出了基于行程的深度召回模型 • 离线和线上的实验结果表明FitNET在旅行场景的召回下是非常有效的 • 展望 • 提高模型处理更加复杂场景的能力，例如用户同时有两个或两个以上行程 2021/9/3 28

29. Thank You! C ontac t: j ia n g h u .wzy @ a lib a b a - in c . com