BASM：一种用于在线外卖服务的自底向上自适应时空模型
机器学习
2022-11-23 v1
摘要
在线外卖服务（OFOS）是一种流行的基于位置的服务，帮助人们点选所需。与传统电商推荐系统相比，用户在不同时空上下文下的兴趣可能多样，导致各异的时空数据分布，限制了模型的拟合能力。然而，大量现有工作简单混合所有样本训练一组模型参数，难以捕捉不同时空上下文中的多样性。因此，我们提出一种自底向上自适应时空模型（BASM）来自适应拟合时空数据分布，从而提升模型的拟合能力。具体地，时空感知嵌入层在特征嵌入上以字段粒度进行权重自适应，以实现动态感知时空上下文的目的。同时，我们提出时空语义变换层，将原始语义拼接输入显式转换为时空语义，进一步增强不同上下文下的语义表示。此外，我们引入一种新颖的时空自适应偏置塔来捕捉多样的时空偏置，降低建模时空差异的难度。为验证 BASM 的有效性，我们还新颖地提出两个新指标：时段级 AUC（TAUC）与城市级 AUC（CAUC）。在公开与工业数据集上的大量离线评估证明了所提模型的有效性。在线 A/B 实验也进一步说明了模型在线服务的实用性。该方法现已在中国主要在线外卖平台饿了么上部署，服务超过 1 亿在线用户。
引用
@article{arxiv.2211.12033,
title = {BASM: A Bottom-up Adaptive Spatiotemporal Model for Online Food Ordering Service},
author = {Boya Du and Shaochuan Lin and Jiong Gao and Xiyu Ji and Mengya Wang and Taotao Zhou and Hengxu He and Jia Jia and Ning Hu},
journal= {arXiv preprint arXiv:2211.12033},
year = {2022}
}