欧美极度另类,久久久午夜福利,尻屄视频播放,亚洲色图国产视频,国产成人精品在线,天天日天天摸,亚洲黄片播放,91人妻人人澡人人精品

導(dǎo)讀 本文將分享飛豬旅行在酒店供應(yīng)鏈品類規(guī)劃方面的算法。

今天的介紹會圍繞下面四點展開：

1. 品類規(guī)劃業(yè)務(wù)背景介紹

2. LINet-基于位置和出行意圖感知的群組推薦模型

3. PETS-滿足召回約束下的大促選品模型

4. Q&A

分享嘉賓｜呂德濤(樓溪) 阿里飛豬高級算法工程師

編輯整理｜呂晶

內(nèi)容校對｜李瑤

出品社區(qū)｜DataFun

01 品類規(guī)劃業(yè)務(wù)背景介紹 首先，介紹飛豬品類規(guī)劃相關(guān)業(yè)務(wù)背景。以一次大型促銷活動為例，來詳細說明酒店運營活動的運營流程。

我們將整個流程劃分為兩個主要階段：supply side 和 consumption side。在 supply side，通常會運用一些算法模型篩選出一批性價比較高的酒店，并將其提供給業(yè)務(wù) BD。隨后，業(yè)務(wù) BD 將基于這個列表進行招商，提前進行價格庫存的協(xié)商。在 consumption side，主要基于招商結(jié)果進行一系列營銷活動，例如人群 Push、不同人群的營銷活動，以及個性化的推薦。從上圖中可以看出，階段 1 是整個運營流程的瓶頸，因為所有后續(xù)階段本質(zhì)上都是根據(jù)這一階段的結(jié)果進行優(yōu)化。具體的：在階段 1，需要提供重點運營的酒店名單給階段 2（這需要在有限的 BD 人力情況下完成）；需要為階段 3 準備人群和商品的匹配關(guān)系，用于人群營銷；并且需要為階段 4 提供推薦候選池。品類規(guī)劃的主要工作也集中在階段 1。第一階段常用的品規(guī)方案主要有三種。

第一種方案是基于時間序列預(yù)測，根據(jù)酒店歷史銷量，預(yù)估未來銷量，并選擇銷量排名靠前的酒店進行 BD 。通常采用的時間序列方案包括 Prophet 、 MQ-RNN 、 DeepAR 、 TFT 等。這種方案的缺陷在于忽略了用戶交互信息和酒店位置信息。
第二種方案是個性化推薦，主要基于用戶和商品的行為序列來建模用戶偏好。其缺陷為，在階段 1 建模時，用戶請求尚未生成。因此采用個性化方案時，只能使用用戶 t +1 的行為序列，這樣并不能很好地捕捉用戶偏好。
第三種方案是群組推薦，如 AGREE、SIGR 和 Group SA 等，旨在更好地刻畫群組偏好。其缺陷為，忽略了酒店特性，用戶出行時間、酒店位置和用戶出行意圖，這些因素會影響用戶的購買決策。

LINet-基于位置和出行意圖感知的群組推薦模型

基于上述問題，我們在群組推薦的基礎(chǔ)上提出了一個全新的群組推薦模型，名為 LINet（該模型已被 WWW2023 錄用）。

1. 問題定義

我們首先將這一問題定義為在階段 1 的 WWW 問題，即在特定時間段（when）和出行區(qū)域（where）為具有相似出行意圖（why）的用戶群體推薦酒店，然后在階段 1 解決 WWW 問題。 2. 難點

首先是如何有效劃分群組，因為劃分的準確性直接影響下游應(yīng)用。因此，在劃分群組時，需要考慮用戶的出行意圖和位置。其次，如何有效利用 WWW 問題的三個維度信息，即時間、出行區(qū)域和意圖。最后是數(shù)據(jù)稀疏性問題，由于航旅出行是較低頻的場景，WWW 問題進一步將<用戶，商品>的交互數(shù)據(jù)限制在特定的時空范圍內(nèi)，加劇了數(shù)據(jù)稀疏性。 3. 模型結(jié)構(gòu)

為解決這些問題，LINet 模型進行了針對性的設(shè)計，主要包括六個關(guān)鍵子結(jié)構(gòu)，用于群組劃分、群組內(nèi)部偏好刻畫、群組外部時空偏好刻畫，并在損失函數(shù)上進行了一些優(yōu)化以解決數(shù)據(jù)稀疏性問題。接下來，將逐一進行說明。

（1）第一部分：用戶的出行意圖識別和群組劃分

在第一部分，我們采用了一個分類模型來描述用戶的出行訂單意圖，將具有相同出行目的地和相似出行意圖的用戶劃分為一組。這樣我們就得到了不同的群組以及每個群組的出行意圖。并且這一部分的輸出將用作其他子模塊的輸入。分類模型的形式可以多種多樣，這并不是 LINet 的重點，在此不做詳細闡述。在進行劃分時，主要考慮了用戶的三種出行意圖，即用戶的本地旅行、異地旅行和商務(wù)出差。選擇這三種是因為它們在旅行行業(yè)中比較常見，占據(jù)了用戶出行意圖的大部分。 （2）第二部分：Internal Local Preference Representation

模塊主要獲取群組的近期偏好，具體來說，包括兩個子模塊：群組成員的表征聚集和群組近期的商品偏好表征。

群組成員的表征聚集：為了反映不同用戶在群組決策時的不同影響力，類似 AGREE 本模塊利用一個注意力網(wǎng)絡(luò)來動態(tài)調(diào)整每個用戶對群體推薦性能的貢獻權(quán)重。在 WWW 問題中，具有更多歷史交互行為的用戶被分配更高的權(quán)重。
群組最近行為的商品偏好表征：考慮到一個群體內(nèi)的用戶具有相似的購買偏好，一個用戶最近購買的酒店很可能會被同一組內(nèi)的其他用戶再次購買，因此引入了類似于 DIN 的結(jié)構(gòu)來建模用戶群組近期的商品偏好表征。

（3）第三部分：Internal Global Preference Representation

主要用于建模群組的長期偏好。雖然每個群體內(nèi)的用戶會因出行意圖和目的地的變化而波動，但一個群組的長期偏好往往保持相對穩(wěn)定。例如，商旅意向的群體更傾向于預(yù)訂辦公區(qū)附近的商務(wù)型酒店，而旅游意向的群體更傾向于預(yù)訂景區(qū)附近的度假型酒店，其次 WWW 問題使得酒店群組推薦問題的數(shù)據(jù)更加稀疏。為此我們利用<群組-酒店>在長時間段內(nèi)的交互數(shù)據(jù)以及酒店之間的相似度，構(gòu)建了一個無向加權(quán)異構(gòu)圖網(wǎng)絡(luò)。為了構(gòu)建一個相對密集的圖，我們在創(chuàng)建圖的邊時將用戶的歷史點擊日志與購買日志一起考慮。在完成群組內(nèi)部偏好表征后，得到了三個表征，即群組的長期偏好表征、群組的短期偏好表征以及群組內(nèi)部成員的聚集表征。 （4）第四部分：External Location-Time Representation

選擇這部分作為表征主要是考慮到外部的時空因素會影響群組的偏好。例如，夏季游樂園和冬季溫泉是不同季節(jié)的熱門事件，這些與時空相關(guān)的因素會影響群組的購買行為。首先針對時間相關(guān)因素，季節(jié)、節(jié)假日等主要以周期性的形式表現(xiàn)出來。因此，我們引入了一個 PRM 模塊來建模這種周期性。其次在空間上，群組的購買偏好會受到區(qū)域內(nèi)酒店分布和價格分布的影響。具體來說，我們建立了一個月粒度的 POI（Point of Interest）的 memory 矩陣。在使用時，直接使用群組的出行意圖和出行時間作為查詢，結(jié)合空間上的基礎(chǔ)屬性表征，即可得到群組的外部時空偏好表征。經(jīng)過這四個部分的處理，我們分別得到了群組意圖的表征、群組的長期偏好表征、群組成員的聚集表征、群組的短期表征以及群組的外部時空偏好表征。這樣綜合考慮了 WWW 問題的三個方面，就得到了相對完善的群組表征。在獲得這一表征之后，我們通過一個 NCF Layer 進行群組偏好的學(xué)習(xí)。在損失函數(shù)上，除了群組粒度的損失外，還包括一個時空粒度的損失，也是為了解決數(shù)據(jù)稀疏性問題，考慮到相同意圖、不同位置以及相同位置不同意圖的數(shù)據(jù)共享。

利用群組的基本屬性、購買力和出行意圖來劃分群組。通過比較每個群組的前 50 個購買商品的差異，可以看到采用出行意圖劃分群組時，它們之間的差異較大。關(guān)于周期性模塊建模在前文中已做介紹，在此不再贅述。

在離線實驗中使用了 Hit 和 Precision 作為評估指標(biāo)。由上圖的對比實驗結(jié)果可以看到，相比于時間序列的方案，群組方案的效果更好，因為它更好地捕捉了群組的偏好。此外，在兩個特殊的場景和人群中，即旅行和出差場景中，DIN 也取得了良好的效果。這是因為在這兩個場景中，這兩個人群的出行模式相對固定，而在進行群組推薦時，可以將其視為特殊用戶來處理，采用 DIN 的方式更容易捕捉到這種模式。通過消融實驗可以看到，每個子結(jié)構(gòu)對提升效果都有幫助。最后，我們采用了線上實驗的方法來驗證模型效果。在這里，我們進行了對比實驗，選取了群組推薦中離線評估最好的 MOSAN 模型。選擇了四個位置相近的城市，每個城市選取了 TOP1000 的酒店，交由 BD 輸出并進行運營，然后采用 DID 的方式評估酒店前后間夜數(shù)（room nights）的變化。可以看到實驗組帶來了 3% 的顯著提升。以上就是對 LINet 模型的介紹。 03

PETS-滿足召回約束下的大促選品模型

接下來，是一個大型促銷活動的兩階段召回模型。 1. 問題定義

這個模型主要用于為假期促銷活動選擇爆款酒店，使選擇的酒店在能夠覆蓋真實銷量 Top80% 的基礎(chǔ)上，盡可能地準確，也就是最大化準確率（即滿足召回率的前提下最大化 F1 值）。 2. 難點

在階段 1 解決滿足召回約束的大型促銷選品問題，主要有三個難點：

首先，酒店在不同假期的表現(xiàn)是不同的。例如，一個酒店在今年春節(jié)可能在銷量的前 80%，在元旦可能在前 50%，而在中秋可能在前 10%，是不斷變化的。我們需要挖掘酒店在不同假期的排名變化。
其次，數(shù)據(jù)稀疏性也是一個挑戰(zhàn)，我們經(jīng)常發(fā)現(xiàn)在大型促銷活動選品時，很多酒店最近沒有銷量，而在假期其銷量大幅增加，成為熱銷商品，這是酒店冷啟動的問題。
最后，需要解決如何確保選品結(jié)果能夠覆蓋 Top80% 的熱銷酒店。

3. 模型結(jié)構(gòu)

我們將問題建模成一個兩階段的選品模型：打分階段和截斷階段。第一階段建模成一個二分類問題，即一個商品是否可以成為爆款。第二個階段是截斷階段，主要基于第一階段的打分結(jié)果產(chǎn)生一個合理的截斷位置。打分階段采用編碼解碼的方式，在截斷階段借鑒了文檔檢索領(lǐng)域的方案，使用 Transformer 來預(yù)測位置 k 和 F1 之間的關(guān)系。 （1）打分階段

在打分階段，主要考慮一個酒店能否成為爆款的概率。從三個方面考慮：酒店在歷史大促中是否成為過爆款、酒店在近期是否成為過爆款以及相似酒店是否成為過爆款。

酒店在歷史上是否成為過爆款？構(gòu)建了一個酒店長期表現(xiàn)的抽取模塊，采用卷積模式。這個模塊的行是酒店的排名，列是假期。使用兩種卷積方式，一種是列卷，另一種是行卷。列卷主要觀察相同排名的酒店能夠覆蓋多少假期，而行卷則觀察相同假期的酒店在歷史大促上的表現(xiàn)。將這兩部分綜合得到酒店的長期表現(xiàn)。
酒店近期是否成為過爆款？構(gòu)建了一個時序預(yù)測模型，采用了 GRU 的結(jié)構(gòu)，預(yù)測酒店的近期表現(xiàn)。
相似酒店是否成為過爆款？采用兩種融合模式，一種是 item level 的，另一種是 category level 的。 item level 與相似酒店做 attention，而 category level 主要是對相似屬性的酒店進行泛化，看其是否成為過爆款。兩部分為了解決數(shù)據(jù)稀疏和酒店冷啟動的問題

（2）截斷階段

將第一階段打分的酒店作為一個 token 送入 Transformer，最后通過 Softmax 來預(yù)測位置 k 與 F1 的關(guān)系。

（3）損失函數(shù)

第一階段的打分階段的損失包括兩部分。一部分是直接預(yù)測是否成為爆款的交叉熵損失，另一部分是引入了對比的損失，以確保在保持預(yù)測準確度的情況下使正樣本更相似。第二階段，損失是基于 RAML（Reward Augmented Maximum Likelihood）的獎勵增強的最大自然似然估計 F1 的分布，實際上是最大似然的一種變種。這里的 qk 代表 F1 的分布，而不是真正的二元標(biāo)簽。在解決滿足召回約束下最大化 F1 的問題時，在截斷階段，采用相同的模型再進行一次對召回率的預(yù)估，得到召回率與位置k 的關(guān)系。有了位置 k 和 F1 的關(guān)系以及位置 k 和召回率的關(guān)系，就可以找到在滿足召回約束下最優(yōu)的 F1 和相應(yīng)的位置。 （4）截斷階段的調(diào)整

對輸入進行了一些調(diào)整。輸入包括打分階段的輸出；酒店的基礎(chǔ)類目、商圈星級的統(tǒng)計特征；對第一階段打分存在的偏差進行的校準；以及當(dāng)前 token 與之前所有酒店的相似關(guān)系。對于 Transformer 的輸入也進行了調(diào)整，因為對于大促選品來說，只有一個查詢，而打分的酒店可能有數(shù)十萬個，因此對酒店進行了一定的分段。以上就是本次分享的內(nèi)容，謝謝大家。 04

Q&A

Q ：請問老師這個框架可以應(yīng)用到比如連鎖餐飲的菜品的上新嗎？有足夠多的供應(yīng)鏈 SKU，但是只有 100 多個展示位這種情況。

A：我們的模型服務(wù)于特定的業(yè)務(wù)場景，比如大促。對于連鎖餐飲的菜品上新，我的理解是類似于我們的冷啟動問題。在我們的模型結(jié)構(gòu)中也針對性地做了設(shè)計，比如會考慮相似酒店的 item level 和 category level 的建模，對于連鎖餐飲的菜品應(yīng)該也有一定的借鑒意義。其次我們解決的問題有很多的候選集，而輸出或者提供給 BD 的名單只有有限個，對酒店具體的排序位置關(guān)注少，更多關(guān)注的是 recall 和 F1，對應(yīng)的是一個截斷問題。如果你們也是這樣，理論上是可以的。 以上就是本次分享的內(nèi)容，謝謝大家。

分享嘉賓

INTRODUCTION

呂德濤(樓溪)

阿里飛豬

高級算法工程師

畢業(yè)于電子科技大學(xué)，2018 年加入飛豬旅行，主要參與飛豬供應(yīng)鏈品類規(guī)劃和庫存相關(guān)工作。

往期推薦

基于 StarRocks 和 Paimon 打造湖倉分析新范式

騰訊金融 AI 開發(fā)平臺落地實踐

ETL原罪是什么？NoETL怎么搞？

生成式AI在育碧3A游戲圖像生成的實踐應(yīng)用

數(shù)據(jù)湖：風(fēng)浪越大，魚越貴？