4-4 基于异构图网络和多任务学习的 OD 推荐.pdf

《4-4 基于异构图网络和多任务学习的 OD 推荐.pdf》由会员分享，可在线阅读，更多相关《4-4 基于异构图网络和多任务学习的 OD 推荐.pdf（24页珍藏版）》请在三个皮匠报告上搜索。

1、OD预测在机票推荐中的应用飞猪行业智能算法平台黄锦-风楚2022.04.23ICDE2022 ODNET:A Novel Personalized Origin-Destination Ranking Network for Flight Recommendation目录contents01背景介绍020304OD预测存在的挑战研究现状：Where to gonext解决方案：ODNET05实验和分析背景介绍：背景介绍：ODOD推荐应用场景推荐应用场景频道页猜你喜欢特价机票瀑布流特价机票入口卡片Origin-Destination（OD）推荐问题，即根据用户偏好为想要预订航班的用户推荐某个OD

2、对应的航班，是支持和优化航班推荐任务的核心。最近，与OD推荐最接近的研究领域，即下一个POI或位置推荐引起了研究者广泛的研究兴趣ODOD预测存在的挑战预测存在的挑战O&DO&D的探索性的探索性.图1显示了飞猪上不同航线的展示价格。根据图 1(a)和 1(b)的信息，宁波的用户可能更愿意预订从上海到三亚的航班，因为从宁波到三亚没有直飞航班，而从附近城市出发（即上海）比宁波便宜数百元。另外上海的用户想去海边城市度假，虽然用户之前去过海边城市三亚，但没有去过类似的城市青岛，因此可能需要优先推荐青岛，因为从上海到青岛的航班比从上海到三亚的航班便宜很多（通过对比图1(b)和 1(c)。O&DO&D的统一

3、性的统一性.O和D之间的相关性使它们成为一个整体，两者不能单独学习或推荐。例如，假设O和D是分开学习的，那么可能从最好的O到最好的D并不是最合理划算的航班。再比如，只是单独学习O和D，不能捕捉到用户购买返程票的迫切需求。研究现状研究现状传统模型Deep模型方法综述静态偏好，反馈信息往往滞后，缺乏时效性Collaborative FilteringCollaborative Filtering当前状态只和前一阶段时刻的状态有关，偏向于用户短期的兴趣建模Markov ChainMarkov Chain解决稀疏性问题，时间复杂度低的前提下进行特征组合FactorizationFactorizatio

4、n MachineMachine对于长期的建模效果有限，且未考虑POI地理关系的影响。此外RNN建模局限于连续型的序列RNNRNN对RNN进行扩展，主要在于长期和短期的偏好刻画上DeepmoveDeepmove考虑空间距离因素的序列建模变体，直接将距离因子作为门控输入STST-gated LSTMgated LSTM1.Location Embeddings for Next Trip Recommendation,WWW2019.2.Long and Short-term Preference Learning for Next POI Recommendation,CIKM2019.3.W

5、here to Go Next:Modeling Long and Short-Term User Preferences for Point-of-InterestRecommendation,AAAI2020.4.Where to Go Next:A Spatio-Temporal Gated Network for Next POI Recommendation,AAAI2019.lReferenceReferenceSpatialTemporal研究现状：研究现状：AAAI20AAAI20 LSTPMLSTPM研究现状：研究现状：CIKM20CIKM20 STPSTP-UDGATUDG

6、AT研究现状：研究现状：WSDM21WSDM21 STODSTOD-PPAPPA解决方案解决方案|整体架构整体架构TPP（入口卡片、猜你喜欢、特价榜单、瀑布流等）IgraphRtp低价接口用户建模基础信息lbs信息全网行为信息RTUS交通内容池子交通运营航司券图文内容特价日历OD召回Search2ODFreq2ODHot2ODPrefer2OD更新fbi数据报表中心点击率模块指标内容数量类目指标回访率人均点击次数策略修正日志解析场景配置RTFS实验分组场景调用端配置埋点回流查低价内容召回交通攻略玩法目的地排序OD打分内容筛选反馈解决方案解决方案|召回召回机火行为酒店行为地理信息等组合地理+热门