OD预测在机票推荐中的应用
背景介绍
OD推荐是航班推荐的核心问题，旨在根据用户偏好推荐具体的起点-目的地（OD）航班。该问题与下一个POI或位置推荐密切相关。
OD预测存在的挑战
- 探索性：用户可能倾向于选择非直飞但更经济的航班，或探索未访问过的类似目的地。
- 统一性：起点和目的地需联合推荐，单独学习无法捕捉用户返程需求。
研究现状
- 传统模型：Collaborative Filtering、Markov Chain、Factorization Machine等存在静态偏好、稀疏性、长期建模不足等问题。
- 深度模型：RNN、Deepmove等在序列建模和空间因素考虑上有所改进，但仍存在局限。
- 最新研究：LSTPM、STP-UDGAT、STOD-PPA等模型在长期和短期偏好刻画、空间时间建模上取得进展。
解决方案：ODNET
- 整体架构：包含异构空间图组件（HSGC）、偏好提取组件（PEC）、OD联合学习组件（O&D-JLC）。
- HSGC：利用用户城市异构交互探索起点和目的地。
- PEC：捕捉用户时间维度上的偏好。
- O&D-JLC：学习起点和目的地之间的隐藏关联。
- 训练与 serving：使用特定的损失函数进行模型训练。
实验和分析
- 数据集：FliggyDataset（2021年3月）和CommonDataset（Foursquare、Gowalla）。
- 基线与指标：NextPOIPrediction的多种基线模型，以及AUC、HR@k、MRR@k等指标。
- ODNET分析：
- 4个注意力头数时，ODNET在HR@5和MRR@5上表现最佳。
- 探索深度K设为2时效果最佳。
- ODNET显著优于STP-UDGAT（AUC提高2.8%，HR@k提高10.3%，MRR@k提高7.9%）。
- ODNET优于STL+G等单任务模型，证明联合学习有效性。
- HSGC模型在三个数据集上始终优于其他模型。
- 在线A/B测试：
- ODNET的CTR比STP-UDGAT和STOD-PPA平均高出11.25%，比MostPop高出17.3%。
- HSGC和O&D联合学习组件效果显著。
- 案例研究：展示ODNET在最近搜索、目的地探索、循环购买等场景中的应用。
总结与展望
- 首次定义和解决OTP航班推荐场景下的OD推荐问题。
- ODNET模型有效应对O&D的探索和统一性挑战。
- 未来将考虑用户出行意图、季节信息进一步提升推荐质量。
- ODNET可推广至LSBN领域的下一个POI推荐任务，或用于OTP的火汽推荐。
