1-6 基于用户线下和线上行为的出行目的地预测 - 李良玥 飞猪旅行

旅行目的地预测研究

背景介绍

• 飞猪介绍：飞猪提供酒店、交通等旅行服务。
• 旅行场景特质：
  • 行为属性：用户旅行需求超低频，行为数据稀疏；访问频次低、间隔长，上一次访问信息可能失效。
  • 决策属性：旅行具有行前→行中→行后状态转移，不同状态下决策差异明显；用户决策期长，有前瞻规划需求。
• 应用场景：频道入口、信息流推荐。
• 研究挑战：
  • Offline spatial-temporal periodicity：用户周末或假期出行，短途游为主，长途游偶发。
  • Online multi-interest exploration：用户探索多个目的地，倾向于未访问城市。

相关工作

• Next-POI Recommendation：STAN（时空注意力网络）表现最佳，通过POI图显式考虑时空偏好。
• Sequential Recommendation：Deep Interest Network等模型通过多方面兴趣表示提升点击率。

研究方案

• OOPIN（Online-offline periodicity-aware information gain network）：
  • Offline Mobility Pattern Extractor：基于CNN提取离线行为的时空周期性。
  • Periodicity-aware GRU Layer：提取离线行为的序列演变时空周期性。
  • Distance-aware Self-Attention Net (DSN)：处理线上探索城市聚类（如长三角、京津冀）。
  • Target-aware Attention Net (TAN)：提取与离线行为相似信息。
  • Information Gain Net (IGN)：提取在线行为中的信息增益（与离线行为差异）。
  • Final Prediction Layer：对候选城市打分。

实验结果与结论

• 数据集：
  • 用户：1.76M，城市：341，线上行为序列平均长度：47，离线行为序列平均长度：18。
  • 标签：用户访问城市为正样本，随机采样为负样本。
• 基线模型：
  • Sequential Recommendation：GRU4Rec、SASRec、DSIN、SINE。
  • Next POI Recommendation：STRNN、STGN、GeoSAN、STAN。
• 对比结果：
  • SINS > STAN（线上行为更预测下一目的地）。
  • STAN在Next POI中最佳，显式考虑时空偏好。
  • OOPIN最佳：联合建模离线时空周期性和在线信息增益。
• 消融实验：
  • 离线/在线模块有效性：两者均重要。
  • 关键成分有效性：DSN、TAN、IGN均贡献显著。
• A/B测试：
  • 部署OOPIN至“猜你喜欢”，提升排名后CTR平均3.73%。
• 其他工作：
  • 冷启动用户：SMINet（多方面兴趣表示）。
  • 价格竞争力：Cheaper is Better（在线购买预测）。
  • 酒店搜索：G2NET（地理关系表示）。