目的地检索推荐策略
- 产品目标:帮助用户以最低成本完成目的地输入
- 需求理解:(对需求的预测)用户目的地受到什么影响:出发地,时间,历史行为,终点的输入词
- 衡量指标:推荐策略的召回率和准确率
公交路线推荐策略
- 产品目标:最低代价从出发地到达目的地
- 需求理解:最低代价怎么判断?出发时间(是否有时间诉求),目的地类型,用户历史行为(交通工具和价格倾向等)
- 衡量指标:
- 解决方案:给出所有可到达的路线集合——根据需求判断代价权重,给出候选路线的的排序——给出排序的依据(时长,步行距离,价格等数据)
网页搜索策略
-
产品目标:高效获取信息
-
衡量指标:搜索满足度
-
【语义理解】:
- 需求明确;
- 结构简单清晰的搜索词,通过切词处理即可进行后续检索
- 口语化的query:需要进行纠错/同义转换等语义处理
- 表达方式很复杂的query:需要进行更加unique的语义处理,如披星()月
- 需求明确,对答案有特殊需求;
- 除了统一的query变换外,需要将特定要求转换成搜索引擎可理解的特征
- 猪肉最新价格:资源时效性
- XX电影资源:考虑资源的可用性
- PPT素材:可用性&特定文件格式
- 除了统一的query变换外,需要将特定要求转换成搜索引擎可理解的特征
- 需求不明确,需要对需求进行扩展和预测
- 欢乐颂:视频链接,剧情介绍,演员表,评论
- 电影名称:上映前预告片,上映时间,简介,在线购票,下线后的评论
- 每个query经过以上分类处理后,会统一解析为:需求类目/需求词/需求强度/待检索term/其他限定特征等内容,进行检索
- 衡量指标:每个query规则的召回率和准确率,各需求的准召
- 需求明确;
-
【排序】根据需求强度(命中需求的概率),结果质量(相关性,权威性,时效性,可用性)用户点击行为统一成排序指标,确定搜索结果的排序
-
【展现】
- 通用策略:将结果页中与query相关的信息提取为标题/摘要,进行飘红等处理帮助用户筛选信息
- 细化策略:不同需求不同展示策略
- 单一明确需求:天气,客服电话,直接将答案摘要前置
- 用户行为路径收敛:网易邮箱(登陆),欢乐颂(集数)歌曲(播放),缩短步骤
- 对于不同资源类型的结果,可以针对性优化摘要(视频,图片,新闻,地图)
内容推荐策略
- 产品目标:Kill Time
- 需求理解:基础特征/历史行为/实时特征等组成用户潜在需求
- 排序:根据需求预测和结果的各类特征综合排序,统一到CTR预估模型中
- 展现:为点击服务,同时避免标题党
网约车分派单策略0.0
- 几个利益体:乘客希望被最近的司机接单(等待时间最短);司机希望接到最挣钱的订单(接驾最短,距离最长,最不堵车)
- 边界值:乘客能接受的最长等待时间最长是X分钟,司机能接受的最远接驾距离是XKM
- 分析双方利益关系:都是希望撮合交易,但是矛盾点在于每个人都渴望最优质的匹配对象,而最优质的资源是稀缺的
- 阶段性目标:成交率最大(在乘客需求更稀缺时,更偏向于乘客)
- 方案:
网约车分派单策略1.0——以乘客为中心
- 阶段现状:需求比较低频稀疏,w单/天
- 乘客:叫到车就好;司机:对平台无依赖,有单就好
- 解决方案:以乘客为中心,由近到远播单;存在最大播单距离,保证司机体验
- 问题:订单密度增加后,多个订单无差别推给司机,司机A被推送多个订单,而司机B却没有订单
网约车分派单策略2.0——以司机为中心
- 阶段现状:需求密集,10w单/天
- 乘客:打到车;司机:希望更近更好的订单(市场上存在多个叫车平台)
- 解决方案:以司机为中心,当司机需要订单时,由远及近播单;存在最大播单距离,保证司机体验
- 问题:仅仅以距离作为条件派单很难将好订单筛选出来
网约车分派单策略2.n——以司机为中心的订单推荐系统
- 阶段现状:需求继续增加,>10w单每天
- 解决方案:引入订单长度,目的地特征,已被抢概率,取消概率,司机特征等因素升级为推荐系统
- 以司机为中心,当司机需要订单时,选取周围订单按照模型排序
- 问题:司乘存在明显分布不均,出现离所有司机很远无法播单的P1和离所有司机很近,被重复播单的P2
网约车分派单策略3.0——以平台为中心的订单撮合系统
- 阶段现状:需求继续密集,>100w单/天
- 解决方案:同时考虑区域内所有的乘客和司机,多种组合方式判定如何使得所有人的体验最佳(成交量最高)
- 迭代:指派系统,动态调价