3-3+多目标排序在58二手房推荐系统中的实践.pdf

在58同城的二手房推荐系统中，多目标排序是一个关键的技术实践，旨在提供更精准、多样性和实时性的房源推荐。本文将围绕这一主题，详细解析3-3+多目标排序在实际业务中的应用。 首先，二手房市场在中国具有巨大的潜力，2019年的总交易额达到了约6万亿人民币。58同城作为领先的互联网找房平台，其二手房业务是核心组成部分，涉及到房东、经纪人和买房用户等多种角色。推荐场景涵盖了首页、默认列表页、推荐频道等多个页面，推荐内容包括房源、经纪人、小区以及各类榜单。为了满足不同用户的需求，推荐系统需要在快速响应的同时，兼顾多样性和热度等多方面因素。 在推荐架构中，数据部分涉及用户信息、物品信息（如房源、小区）以及行为日志等，通过流处理平台和大数据平台进行处理。模型部分则利用Embedding技术来表示用户和房源的特征，通过召回层和排序层实现高效的推荐。召回层采用了多种策略，如Embedding兴趣召回、上下文召回和热门召回，以应对数据稀疏性问题并提高召回效率。排序层则使用了W&D、DeepFM、ESMM等深度学习模型，进一步提升推荐的准确性和多样性。 向量化召回是推荐系统中的一个重要环节，通过学习到的房源 Embedding 可以更好地理解房源间的关联。最初，系统可能采用Skip-gram或DeepWalk等方法从用户浏览序列中学习房源 Embedding，并通过Graph Embedding增强房源的表征能力。此外，通过加权不同的行为（如微聊、电话、关注）和side information，可以缓解数据稀疏性问题，特别是对于房源的冷启动问题。 在实时召回策略上，系统经历了从平均用户Embedding直接召回最近邻房源，到通过多个最近浏览房源的Embedding分别召回混排，再到预计算房源相似度存储于wtable/Redis的演变。这些方法在平衡召回速度和效果上各有优劣，其中预计算和融合业务策略的方法能够提供更快的召回速度和更好的召回效果。 在多套Embedding的融合上，系统通常会将不同模型生成的Embedding归一化后concat成最终的Embedding，这样可以在维护成本较低的同时，提高召回性能。通过余弦相似度计算用户和房源之间的匹配度，实现高效且精准的推荐。 总的来说，3-3+多目标排序在58同城二手房推荐系统中通过深度学习模型、Embedding技术以及多策略的召回和排序机制，实现了对海量房源的高效、精准推荐，以满足用户在找房过程中的多元化需求。随着技术的不断进步，未来可能会有更多创新的推荐策略和优化方法应用于此类推荐系统，以进一步提升用户体验。