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

7、city组合热门航线OD TriggerOD2OD用户画像系统Dest2Content低价查询PaddingContent Trigger物料OD PairReal Time Feature Service解决方案解决方案|概念定义概念定义解决方案解决方案|整体结构整体结构 异构空间图组件（HSGC）偏好提取组件（PEC）OD联合学习组件（O&D-JLC）解决方案解决方案|Heterogeneous Spatial|Heterogeneous Spatial GraphGraph ComponentComponent解决方案解决方案|Preference Extraction Componen

8、t|Preference Extraction ComponentMain StructureOutput：X-aware User Preference主要是为了捕捉用户时间维度上的偏好解决方案解决方案|O&D Joint Learning Component|O&D Joint Learning ComponentO&DJLC：To learn hidden correlations解决方案解决方案|Training&Serving|Training&ServingTraining Loss Function实验和分析实验和分析|Dataset|Dataset Fliggy Dataset

9、数据集采集时间为2021年3月 Common DatasetFoursquare从2012年4月到2013年9月Gowalla从2009年1月到2011年8月实验和分析实验和分析|Baseline&Metrics|Baseline&MetricsBaselinesMetricsNextNext POIPOI PredictionPredictionMostPopMostPopGBDTGBDTLSTMLSTMSTGNSTGNLSTPMLSTPMSTODSTOD-PPAPPASTPSTP-UDGATUDGATODNETODNET VariantVariantODNETODNET-G GSTL+GS

10、TL+GSTLSTL-G G实验和分析实验和分析|Hyper|Hyper-parameter Analysis of ODNETparameter Analysis of ODNET Impact of different number of headswhen the number of heads equals to 4,ODNET achieves its best performance in terms of bothHR5 and MRR5 Impact of different exploration depth KK is set to 2 in ODNET and its v

11、ariants with respect to all experiments实验和分析实验和分析|Effectiveness of ODNET|Effectiveness of ODNET我们发现与除变体外的最佳基线STP-UDGAT相比，ODNET将AUC、HRk和MRRk的分数分别显着提高了2.8%、10.3%和 7.9%作为一个多任务学习模型，ODNET明显优于使用两个单任务分别预测Os和Ds的变体（即STL+G）。因此，我们得出结论，提出的O&D联合学习组件在学习Os和Ds之间的相关性方面是有效的，这对于改进OD对的推荐非常有帮助表III和IV的结果表明，采用我们提出的HSGC（即O

12、DNET和STL+G）的模型在三个数据集上始终优于其他模型，这表明基于用户城市的异构交互探索用户的Os和Ds的有效性实验和分析实验和分析|Online A/B Test|Online A/B Test图 7 中的实验结果表明，ODNET的性能始终优于其他方法，这再次证明了从HSG探索Os和Ds在计算输入表征方面的有效性以及在OD推荐任务中联合学习Os和Ds的优势。具体来说，ODNET 的 CTR 比 两 种 最 先 进 的 方 法 STP-UDGAT和STOD-PPA平均高出11.25%，与MostPop相比提高了17.3%。此外，通过将ODNET-G和STL+G与STP-UDGAT进行比较，

13、我们可以得出结论，采用HSG带来的收益以及O&D的联合学习组件效果都非常显着，这表明有必要解决面临的两个挑战OTP，即O&D的探索和O&D的统一。实验和分析实验和分析|Case Study|Case StudyRecently SearchOrigins ExploreDestinations ExploreCyclical purchaseReturn FlightRecently SearchDestinations Explore总结与展望总结与展望Summary.据我们所知，这是首次尝试定义和解决在线旅游平台（OTP）航班推荐场景下的起点-目的地（OD）推荐问题。提出了一种新的ODNET模型来解决OD推荐问题。大量结果证明了ODNET在解决OTP中推荐航班时面临的两个主要挑战方面的有效性。未来我们会考虑用户的出行意图、季节信息，进一步提升航班推荐质量。Generalization.尽管ODNET是在OTP的航班推荐的背景下讨论的，但根据最近的研究显示，考虑用户的出发地信息非常重要，因此可以很容易地推广它以改进LSBN领域中的下一个POI（或位置）推荐任务。此外，ODNET也可以直接应用于OTPs实现高质量的火汽推荐（中转拼接、临近等）。Thanks youfengchu.hjalibaba-Concat：