Avanços na Previsão de CTR para Plataformas de Viagem

Plataformas de viagem online (OTPs) como Ctrip e Fliggy oferecem muitos produtos e serviços relacionados a viagens. Uma parte chave do sucesso delas é conseguir prever a probabilidade de os usuários clicarem em itens-essa Previsão é chamada de taxa de cliques (CTR). O desafio com a previsão de CTR é que muitos modelos são feitos para situações únicas. No entanto, os usuários geralmente se encontram em diferentes cenários, como visitar uma fonte termal ou ir esquiar, cada um precisando de suas próprias recomendações.

A maioria dos métodos existentes enfrenta dificuldades com usuários que têm pouco ou nenhum dado anterior-esses são os chamados usuários de "cold-start". Para resolver esse problema, um novo método chamado Rede Multi-scenário baseado em Cold-Start (CSMN) visa fornecer previsões melhores em múltiplas situações. Esse modelo ajuda a entender as preferências dos usuários de forma mais dinâmica, especialmente para aqueles que não têm um histórico de atividades suficiente.

#A Necessidade de Previsão de CTR Multi-Scenário

À medida que as plataformas de viagem crescem, os usuários são expostos a uma variedade de experiências de viagem. Eles podem procurar itens diferentes com base em interesses variados, dependendo se estão planejando uma viagem relaxante a uma fonte termal ou um feriado de esqui aventureiro. Cada cenário tem seus itens específicos para recomendar, mas os modelos tradicionais de CTR funcionam bem principalmente para cenários únicos. Ao não considerar a variedade de cenários, esses modelos não conseguem fornecer as melhores recomendações.

Criar modelos distintos para cada cenário também não é eficiente. Alguns cenários podem não ter dados suficientes de usuários, levando a previsões ruins. Além disso, gerenciar múltiplos modelos para diferentes cenários pode se tornar caro e complexo. Portanto, uma abordagem unificada que considere todos os cenários é necessária.

#Desafios com Usuários de Cold-Start

Usuários de cold-start representam um desafio significativo. Esses usuários têm pouca ou nenhuma interação, dificultando a previsão precisa de suas preferências. Como viajar não é uma atividade frequente, seus comportamentos podem ser escassos, complicando as previsões de CTR.

Os métodos existentes para lidar com problemas de cold-start falham em cenários com múltiplos contextos. Algumas abordagens usam dados auxiliares generalizados ou transferem informações de outras áreas relevantes, mas não conseguem capturar efetivamente os interesses específicos dos usuários em diferentes contextos.

#Visão Geral do CSMN

O CSMN foi desenvolvido para lidar com o problema de cold-start levando em conta os diferentes interesses que os usuários podem ter em várias situações de viagem. Esse modelo consiste em duas partes principais:

1. Rede de Projeção de Interesses do Usuário (UIPN): Este componente foca em limpar os dados do usuário filtrando informações irrelevantes para o cenário específico. Ele processa os comportamentos dos usuários para derivar seus interesses com base na situação atual.

2. Rede de Memória de Representação do Usuário (URMN): Esta parte permite que usuários de cold-start se beneficiem dos interesses de usuários que têm mais dados. Isso acontece através de um sistema de memória que ajuda a conectar usuários semelhantes, permitindo previsões melhores mesmo quando os dados são limitados.

Ao combinar esses dois componentes, o CSMN busca fazer previsões mais precisas ao entender tanto os aspectos compartilhados quanto os únicos de diferentes cenários.

#Como o CSMN Funciona

#Rede de Projeção de Interesses do Usuário (UIPN)

O UIPN visa capturar com precisão os interesses dos usuários para cenários específicos. Ele primeiro limpa os dados removendo informações que não são úteis para o cenário atual. Por exemplo, se um usuário demonstrou interesse em esquiar, o UIPN se concentrará nesse contexto em vez de comportamentos não relacionados.

Os dados limpos são então usados para derivar uma representação mais focada dos interesses do usuário no cenário dado. Isso resulta em uma imagem mais clara do que o usuário pode preferir com base em suas atividades passadas, mesmo que essas atividades tenham sido limitadas.

#Rede de Memória de Representação do Usuário (URMN)

A URMN aborda o problema de cold-start conectando novos usuários àqueles que compartilham interesses ou perfis semelhantes. Ela usa um sistema de memória onde cada slot contém informações sobre usuários com dados ricos. Ao analisar os perfis, a URMN ajuda a inferir os interesses de usuários de cold-start com base naqueles que mostraram preferências semelhantes.

Esse sistema de memória aprimora as previsões para usuários que ainda não interagiram muito com a plataforma, permitindo que eles recebam recomendações que refletem seus potenciais interesses.

#A Importância de Combinar Recursos

O CSMN junta várias características para previsões eficazes. Ao integrar tanto o comportamento do usuário quanto os dados do perfil, o modelo pode obter insights sobre as preferências dos usuários em diferentes contextos. A combinação permite lidar melhor com a complexidade das recomendações de viagem.

Por exemplo, um usuário de cold-start interessado em uma aventura ao ar livre pode receber sugestões baseadas em outros que têm perfis semelhantes, mas mais dados. Essa abordagem personalizada busca garantir que os usuários recebam recomendações significativas que correspondam aos seus interesses.

#Testes e Resultados

Para testar o CSMN, os pesquisadores o implementaram em dados do mundo real coletados das OTPs, compreendendo milhões de interações de usuários. O modelo foi comparado com outros métodos existentes para avaliar seu desempenho e eficácia.

#Testes Offline

Vários testes mostraram que o CSMN superou outros modelos em termos de precisão na previsão de CTR. Ele demonstrou melhorias significativas, especialmente para cenários com altas proporções de usuários de cold-start.

#Teste A/B Online

Para validar ainda mais sua eficácia, um teste A/B online foi conduzido usando milhões de usuários. Os resultados mostraram que o CSMN melhorou consistentemente a CTR ao longo de uma semana, fornecendo uma indicação clara de sua praticidade em aplicações do mundo real.

#Conclusão

No cenário em constante evolução das plataformas de viagem online, a previsão eficaz de CTR é essencial para melhorar a experiência do usuário e aumentar a receita. O CSMN oferece uma abordagem promissora para lidar com o problema de cold-start, considerando múltiplos cenários. Ao unificar os interesses dos usuários em contextos diversos, o modelo representa um avanço na realização de recomendações de viagem mais precisas e personalizadas.

Trabalhos futuros irão explorar como refinar ainda mais essa abordagem e investigar maneiras adicionais de conectar os dados dos usuários em diferentes cenários. Esses desenvolvimentos têm o potencial de trazer melhorias ainda maiores no espaço das recomendações de viagem.