飞猪旅行行业供应链品类规划算法分享_楼溪.pdf

1、飞猪旅行供应链品类规划算法分享2024.01/吕德涛(楼溪)Fliggy2024飞猪技术目录 C O N T E N T S01-背景介绍02-LINet：位置和出行意图感知的群组推荐03-PETS：满足召回约束下的大促选品模型背景介绍在该阶段，算法同学会基于酒店历史数据确定一组潜在的高性价比酒店，然后同步到业务同学。业务同学基于此进行招商，提前与酒店商家协商库存和价格。该阶段主要基于Stage1、2阶段的招商结果进行活动的C端运营，如在Stages3，采用如分人群的push、特定人群营销会场等人群营销技术；在Stage4，利用个性化算法对用户的实时请求进行个性化推荐。Stage1品规常用方案

2、如：Prophet、MQ-RNN、DeepAR、TFT缺陷：忽略了用户侧的交互数据和酒店的位置信息时间序列个性化推荐群组推荐如：Wide&Deep、DeepFM、DIN、DIEN缺陷：用户请求和实时用户反馈（如点击）在Stage1阶段尚未生成，因此很难准确捕获用户偏好如：AGREE、SIGR、GroupSA缺陷：忽略了酒店商品的独特性，即出行时间、酒店的位置信息、用户出行意图对用户决策有决定性的影响LINet:位置和出行意图感知的群组推荐问题定义难点LINet:A Location and Intention-Aware Neural Network for Hotel Group Recom

3、mendation（WWW2023）在Stage1考虑一个典型的WWW问题：如何为在特定时间段（When）和特定出行区域（Where）的一群具有相似出行意图（Why）的用户推荐酒店。l 如何对用户进行有效分组：在WWW问题中，我们需要提供一种合理的将用户分组的方法，需要综合考虑用户出行意图、出行位置等因素，用户分组的准确性直接影响下游应用的性能。l 如何利用有效利用WWW问题三个维度的信息：WWW问题的关键点不仅在于解决针对特定群组的商品推荐，还需要在进行模型设计的时候综合考虑用户出行意图、出行时间、酒店和目的地的位置等信息。l 数据稀疏性问题：航旅用户的出行是个低频场景，特别的WWW问题进一

4、步将的交互数据限制在特定的时空范围内，加剧了数据稀疏性LINet:位置和出行意图感知的群组推荐1234566LINet:位置和出行意图感知的群组推荐Intention Recognition and Group GenerationPeriodicity Representation Module(PRM)在酒店推荐场景中，季节、节假日等时间相关因素的影响主要以周期性的形式表现出来。我们提出了PRM来捕捉群组周期性酒店预订需求。具体的我们构造了一个月粒度的热门POI Memory矩阵 ，然后采用一个注意力网络，将目标酒店的位置、群组的出行时间和群组的出行意图串联起来作为query，最后我们利用

5、softmax函数获得位置L的周期性偏好表示LINet:实验离线实验在线实验PETS：满足召回约束下的大促选品模型问题定义难点l 酒店不同假期的表现不同：酒店的表现(销量，排名)在不同节假日不断动态变化的，如何挖掘不同假期销量级别和排名位置的相关关系。l 数据稀疏性问题：酒店日常表现销量稀疏；冷启问题(没有历史数据的新开业酒店)l 如何保证选品结果完成 Top80%热销酒店的覆盖目标在Stage1的选品任务：如何为假期促销活动选择爆款酒店，使选择的酒店在覆盖假期真正热销酒店 Top80%的基础上，可以最大化准确率（即在满足召回率的基础上，最大化 F1）。PETS：满足召回约束下的大促选品模型1

6、23PETS：满足召回约束下的大促选品模型Lossl Score Stagel Truncation StageTruncation Stage 调整l ：（Rank-score、Basic description（商圈、星级）、Calibration relevance（Rank-score 消偏）、Listwise similarity（当前doc和之前所有docs的关系）l Transformer 输入：针对大促选品只有一个query，rank list 10w+。以1