详细内容或原文请订阅后点击阅览
具有两塔嵌入变体的个性化餐厅排名
当受欢迎程度排名失败时，轻量级两塔模型如何改善餐厅发现带有两塔嵌入变体的个性化餐厅排名一文首先出现在《走向数据科学》上。
来源:走向数据科学，我想分享 Uber 双塔嵌入 (TTE) 方法的一个实用变体，适用于用户相关数据和计算资源都有限的情况。问题来自于食品配送应用程序主屏幕上的高流量发现小部件。此小部件显示精选的选择，例如意大利、汉堡、寿司或健康。选择是根据标签创建的：每个餐厅可以有多个标签，每个图块本质上是目录中标签定义的切片（添加了一些手动挑选）。换句话说，候选集是已知的，因此真正的问题不是检索而是排序。
当时，与发现（主）屏幕上的其他小部件相比，该小部件的性能明显不佳。最终的选择是根据总体受欢迎程度进行排名，没有考虑任何个性化信号。我们发现，用户不愿意滚动，如果他们在前 10 到 12 个位置中没有找到有趣的内容，那么他们通常不会进行转换。另一方面，有时选择范围可能很大，有时多达 1500 家餐厅。最重要的是，同一家餐厅可以被选择为不同的选择，这意味着例如麦当劳可以同时被选择为汉堡和冰淇淋，但很明显，它的受欢迎程度仅对第一个选择有效，但一般受欢迎程度排序会将其放在两个选择中的顶部。
产品设置使得问题对于静态解决方案（例如一般流行度排序）更加不友好。这些集合是动态的，并且由于季节性活动、运营需求或新的业务计划而频繁变化。因此，为每个单独的选择训练专用模型是不现实的。一个有用的推荐器必须从第一天起就推广到新的基于标签的集合。