【笔记】美团案例-旅游推荐系统的演进

来源：https://tech.meituan.com/travel-recsys.html @美团点评技术团队

（以下为阅读笔记，目的是便于之后能快速检索到相关内容。部分文字与图片可能直接来自原文，如有侵权请告知，谢谢）

1. 背景

旅游推荐系统面临的问题：

1）本异地需求差异大：旅游场景中30%的订单是异地请求

2）推荐形式多样：包括景点推荐、跟团游产品推荐、景酒套餐推荐等，同时一个景点也会有多种类型的门票

3）旅游产品存在季节性

4）需求个性化

2. 召回策略

推荐系统包括两部分，召回策略生成候选集，排序策略对候选集进行排序。召回策略总览如图：

2.1 历史行为强相关

取用户一个月内浏览、收藏但未下单的POI，越实时权重越高。

2.2 协同过滤

1）POI点数量远小于用户数量，且为了便于新用户的冷启动，因此采用基于物品的协同过滤

2）基于POI浏览行为的协同过滤：包括两部分，一部分是窗口期较长（1个月），每日离线更新，缺点是用户当天的浏览行为无法捕捉；另一部分是基于用户实时POI浏览行为的协同过滤

3）基于搜索行为的协同过滤：搜索是强意图行为，作为POI浏览行为协同过滤的补充

4）相似度改进：用户浏览行为有顺序。用户浏览了A、B、C三个景点，A和C的关系可能比A和B的关系弱；同时浏览A时推荐B合适，浏览B时推荐A不一定合适。因此采用改进的相似度计算，l表示i和j两个POI点的序列跨度，Nijl是出现次数，α是衰减系数

2.3 基于地理位置的推荐

1）基于物：用户地理位置周边POI点中最热销的topN

2）基于人：用户地理位置周边人群，他们最喜欢的topN POI

2.4 替补策略

1）区分本地与异地请求，计算不同用户群体购买的热销POI

3. 排序策略

3.1 策略：xgb做分类器，auc做效果评估。离线auc有提升，就上线AB测

3.2 特征：

1）上下文特征：

(1) hour_of_day：一天中的第几小时

(2) day_of_week：一周中的第几天

(3) city_id：城市id（id越小，开战越早，越可能是热门城市）

(4) distance：用户和POI的距离

(5) SCENE_LR：本地/异地用户

(6) IS_POI_LOCAL：POI是否在本城市

2）POI特征：

(1) POI7天点击率

(2) POI7天支付数据

(3) POI7天的评分数

(4) 景区星级

(5) POI本/异地销量（根据用户本异地请求）

3）User-POI特征

(1) 7天内是否浏览过该POI

(2) 最近一段时间内是否浏览过该POI

(3) 根据基于POI的协同过滤，计算出User和POI的语义相关性

4. 工具化

开发了Debug工具，输入城市、展位、UUID、经纬度等，返回POI、召回策略与得分等，方便PM和RD测试、定位追查case。

5. 其它

1）主题标签挖掘：为POI打标签，用户用这些标签进行筛选，如：附近热门、近郊周边、亲子同乐、夜场休闲、周末去哪 等。目前采用规则法定义标签，如“亲子游”：

(1) POI下游亲子票种

(2) Deal标题包含亲子

(3) POI下有成人票和儿童票

(4) 用户画像为“亲子”的用户最近一个月购买的POI