作者簡介

葛榮亮，攜程搜索部門高級研發工程師。2015年加入攜程，目前主要負責搜索平臺的前端+數據挖據工作。

一、前言

隨著旅游業的發展，人們對搜索的要求越來越高。智能化大趨勢下，個性化的推薦系統的應用及用戶需求也越來越廣泛。

旅游推薦系統主要面臨的問題及挑戰包括：

• 用戶維度，用戶的需求多種多樣，如本地異地的差異，年齡、家庭結構的差異等；

• 時間、地理維度，每個時間點的需求都是不同的，如季節(冬季的溫泉，夏季避暑...)、早中晚的需求差異，不同城市用戶對同一目的地的旅游產品類別需求可能不同；

• 產品維度，如何輸出多樣性的產品也是推薦系統考慮的重點，如相似的酒店、景點等。

針對以上面臨的問題和挑戰，本文將分享攜程推薦系統的更新迭代過程。

二、推薦系統架構

攜程搜索推薦系統架構如下：

拋開業務和數據部分，這里只簡單介紹推薦服務的結構，其簡要構造如下：

2.1 用戶行為

用戶行為數據展示了用戶的操作習慣和偏好。對這部分數據進行離線分析，可以更好地理解用戶，以此來做線上產品的推薦源。

對線上需要的行為數據，可以取一個月或者近7天的歷史數據，以保證數據的時效性。

2.2 可用產品

這部分指的是可供用戶使用的產品及可以提供幫助的文章等。主旨在于告訴系統，我們有什么產品，哪些產品是可以提供給用戶的，及哪些是優質的產品。產品的定義比較廣泛，可以不限定具體的售賣產品，也可指定用戶偏好，比如用戶對酒店、景點的偏向等。

2.3.召回

這部分是整個系統的重點，也是規劃場景最多的地方。這部分可以細分成幾大召回策略（以推薦實際酒店、文章、景點的系統為例）：

2.3.1 補充策略

這部分主要輸出當前熱門的產品信息，比如當季熱門的酒店、景點等。

在具體實現的時候可以考慮季節性的變化，比如以兩周為周期，統計產品的點擊情況，當用戶對于溫泉搜索量增加時，可以輸出一些熱門的溫泉景點。

這部分補充策略，只是為了解決冷啟動問題，即當用戶沒有行為，或者沒有地理位置信息時，做最基本的補充。

2.3.2 基于位置召回

當得到具體位置信息之后，可以做更具體的補充召回：

1）根據當前用戶所在地，推薦當地的熱門產品；

2）判斷用戶是否在常住地。如常駐上海的用戶，在上海搜索產品時，更喜歡周邊游，而常駐北京的用戶，在上海搜產品時，更喜歡東方明珠和迪士尼。

具體分類為：

本地需求(定位城市=常駐城市)，輸出當地人熱搜/點擊的產品；

外地需求(定位城市!=常駐城市)，輸出外地人熱搜/點擊的產品；

3）根據地理位置信息，輸出用戶周邊的幾公里內的產品。

2.3.3 基于歷史關聯策略

這部分內容是基于用戶歷史行為，推出相關的產品。需要對數據和行為進行總結，并提供相應的產品展示邏輯，豐富推薦召回的內容。比如用戶預定迪士尼樂園的門票，可以推迪士尼附近的酒店等。

2.3.4 協同過濾

協同過濾是推薦系統經典的算法。其對用戶行為、產品的相關性做了抽象和泛化。協同過濾算法主要分為USER CF和ITEM CF，即基于用戶的協同過濾和基于物品的協同過濾。

在這里我們主要用到基于物品的協調過濾，相比用戶的協同過濾，物品的內容屬性和數量更便于統計和計算。具體算法可以參看《推薦系統實踐》這本書。

大體可以理解為，定了某一酒店的用戶，又定了哪些酒店，及通常訂了又訂的邏輯。比如，以用戶一個月的點擊或訂單數據為基礎，計算出物品的相似度，當用戶搜了某條產品時，推薦與其相似的其他產品。具體示例為：假設東方明珠、外灘、迪士尼產品相似，當用戶搜索東方明珠的時，推薦外灘和迪士尼。

2.4 排序

上述召回策略，會召回大量的產品，如何對這些產品進行合理排序，是推薦系統的核心部分，同時也是反映系統優劣的指標。

這部分，經歷幾次迭代。

在1.0時代，在排序策略上進行了幾次變動：

1）對召回產品按照類別，對相同類型產品，進行銷量排序；

2）考慮到操作時間問題，加入操作時間權重。對歷史行為的時間進行歸一化得出權重，最大為1。操作時間越近，權重越大；

3）考慮規則的重要性，加入規則分；

上述排序策略取得一定效果，但很難完善排序問題。

最終，選取了機器學習的排序算法。其基本實現為：對每個輸出產品，規劃特征，輸出特征集。比如季節特征，當地人/外地人特征，一天內的早、中、晚特征等。接下來根據訂單和點擊數據，輸出訓練樣本，為每個召回產品做一個打分，最高5分，最低1分。最后使用XGBoost工具，對樣本進行訓練，這樣就能得出基本模型。

通過模型，對線上每個召回產品進行打分并排序，得出最終結果。同時在系統上線后，定期的進行更新，并通過ABTest系統不斷對模型進行迭代。

大致流程如下：

2.5 過濾輸出

這部分內容，主要做格式化輸出，并過濾一些無效，黑名單產品。

每個場景的輸出，都不太一樣，就需要對其數據進行篩選。比如進入搜索默認頁時，提前給出推薦產品，減少用戶操作。還可以在用戶搜某個具體城市時，輸出相應的結果。

這里需要注意的是馬太效應。由于推出的內容有限，對于一些產品，會導致點擊多的會越來越多，而點擊少的，則慢慢退出推薦序列。這里需要對那些不常用產品做展示規劃。比如隨機出一兩條，給一定曝光，消除一部分馬太效應。

三、展望

目前推薦系統已經運用在多個場景，但對場景及產品的引入畢竟有限，同時對query 分析還不夠完善，后續將豐富產品，并引入更多機器學習的內容，讓系統更智能化和自動化。同時會加入更多深度學習內容，在搜索意圖和NLP相關方面做更進一步的分析。

總結

以上是生活随笔為你收集整理的干货 | 当你在携程搜索时，背后的推荐系统是如何工作的的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。