2024饿了么算法演进及在线学习实践_第1页
2024饿了么算法演进及在线学习实践_第2页
2024饿了么算法演进及在线学习实践_第3页
2024饿了么算法演进及在线学习实践_第4页
2024饿了么算法演进及在线学习实践_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

饿了么推荐算法演进及在线学习实践appapp了全网90%以上的订单。目前饿了么每天的订单量达到千万级别，属于国内Top级，这就意味着流量分发的效率尤在外卖领域有4个重要环节：流量、供给、转化和履约，其中算法在履约环节起着关键的app1）生产方面：将离线数据升级为实时数据；引入Flume、Kafka等实时体系,通过模型打2）时效方面：数据采集从天级别升级为实时，且增加了多维度实时特征；规模方面item、user、query等业务流程中涉及的环节通过Word2Vector等实现了向量表达。A/BTest16年上线了简单的LR线性模型，通过机器学习的方法获得各因子权重，与此同时引入用16GBDTFM16XGBoost理解将其拆分为点击率、转化率2个子模型，并引入用户、商户的实时反馈特征，如用户Wide&Deep、DeepFM初始阶段参照Google发表的论文，复用GBDT模型使用的特征，将用户稀疏特征、商户DeepGBDTOne-Hot的方式加入Wide部分，效果有了较大的提升。随后尝试了DeepFM，总体结构和论文保持一致，充分利用DNN提取高阶特征组合以及而在线效果却不理想。这就意味着离线评测与在线效果之间存在很大的gap。FTRLredis。说到快照的好处，它不仅支持模型增在线预测redis那么又是如何做到将所有的数据源join起来，在此特别介绍一下实时归属模块。将用户行join起来。在整个数据体系设计过程中给每一次排序打上唯一id，在整个的业务流程环节StormGBDTFTRLGBDTGBDTFTRL更新模型参数存入redis实现在线排序。业务目标是优化GMV，将会调高GMV的样本权重。测服务不可能实时获取参数，否则将影响在线服务性能。目前采用5分钟定时获取模型参致参数发生波动，这样的更新策略就可保证模型的稳定性。接下来介绍2个小特色

人人文库> 全部分类> 专业文献 > IT计算机

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论