近日，國際數(shù)據(jù)科學(xué)和數(shù)據(jù)挖掘領(lǐng)域的最頂級學(xué)術(shù)會議KDD入選論文正式揭曉。今年KDD吸引了全球范圍內(nèi)705篇論文投遞，僅收錄了138篇論文，收錄率不足20%。貨拉拉論文《Improving the Information Disclosure in Mobility-on-Demand Systems》（《一種MoD系統(tǒng)中信息披露的優(yōu)化方法》）從705篇論文中脫穎而出成功入選。該論文通過數(shù)據(jù)建模解決互聯(lián)網(wǎng)物流智能分單問題，提升互聯(lián)網(wǎng)物流平臺效率，實現(xiàn)業(yè)務(wù)指標(biāo)優(yōu)化。

本文對貨拉拉論文《Improving the Information Disclosure in Mobility-on-Demand Systems》進行詳細(xì)解讀。貨拉拉技術(shù)團隊該論文中提出了一種優(yōu)化信息披露方式的框架，通過建模和求解，通過算法選取最合適的司機進行履約，實現(xiàn)訂單的精準(zhǔn)推送，實現(xiàn)平臺效率、用戶體驗和司機體驗的整體提升。

一、研究背景

當(dāng)下貨拉拉貨運采用的訂單分配方式為全局廣播，即在指定 時間/距離 等范圍內(nèi)，將所有訂單推送給所有司機，司機通過瀏覽訂單列表的方式，做抉擇，選取符合預(yù)期的訂單進行響應(yīng)，對于同一訂單被多個司機響應(yīng)的場景，由算法綜合考慮平臺效率、用戶體驗、司機體驗等因素，選取最合適的司機進行履約。

定義訂單推送給司機為一種信息披露，本論文提出的算法便是在訂單廣播環(huán)節(jié)提出的改進。

作為司機，處于不同的狀態(tài)（時空，供需，今日累計工作時長，今日累計收入等），面對不同的選擇（訂單列表），對收入的期望也會有所差異。

舉幾個例子：

1） 供給受限的情況，待匹配訂單數(shù)遠(yuǎn)遠(yuǎn)大于運力數(shù)

司機相對主動，傾向于接價格更高的訂單；

2）需求受限的情況，待匹配訂單數(shù)遠(yuǎn)遠(yuǎn)小于運力數(shù)

司機相對被動，傾向于選擇不空駛，盡量不計較價格；

3）無限制的播單場景，司機的訂單列表里有全城，甚至是全國的訂單

司機相對主動，在系統(tǒng)訂單過剩時，會選擇困難；

4）強限制的派單場景，司機的訂單列表里不超過一個訂單

司機相對被動，在系統(tǒng) 沒有派單/派單不滿意 時，會有焦慮感；

通過對司機的決策行為進行準(zhǔn)確地估計，并通過優(yōu)化信息披露（哪些訂單給哪些司機看）的方式，我們期望實現(xiàn)司機體驗、用戶體驗和平臺效率的整體提升。

二、研究價值

1、區(qū)別于傳統(tǒng)的推薦系統(tǒng)，例如抖音，豆瓣，淘寶等，電商網(wǎng)站的商品，以及短視頻等內(nèi)容，相對來說是一個不受限的資源，即一個商品可以被成百上千個用戶購買，一條視頻可以被推薦給千千萬萬的用戶。

貨拉拉場景：訂單因時空問題，會被推送給有限個司機；司機因屏幕問題，只能瀏覽有限個訂單。這一類帶資源約束的問題，目前沒有成熟有效的解決方案。

2、區(qū)別于傳統(tǒng)的派單模式，眾包業(yè)務(wù)的播單模式引入了更多的運力保障。 

a、引入了更多的復(fù)雜度

對于m個司機，n個訂單的業(yè)務(wù)場景

派單解決的是1vs1的匹配問題，播單解決的問題是n vs m的信息披露問題

純暴力的搜索空間：

 

隨著問題規(guī)模的不斷變大， 其對應(yīng)復(fù)雜度呈指數(shù)增長。

b、引入了更多的司機競爭

不管是供給過剩，還是需求過剩的場景，司機對某一類訂單的偏好比較一致，例如高價格、高小費等屬性，導(dǎo)致該類訂單響應(yīng)的司機數(shù)多，而訂單最終只能由一位司機來履約，勢必產(chǎn)生很多的無效司機選擇，導(dǎo)致平臺整體效率降低。

三、算法框架

1、預(yù)測

基于業(yè)務(wù)場景下的條件依賴，我們拓展了Multinormal Logit Model，將司機的決策分兩步來估計：

a、司機選擇接單，或者不接單

b、司機選擇候選列表中的某一訂單進行響應(yīng)

 

通過在歷史行為數(shù)據(jù)上做最大化對數(shù)似然估計，我們對模型的參數(shù)進行擬合：

可以逐級來分析建模的合理性：

1）第一級，司機看到某個訂單列表，有一定的概率會選擇不接單，如果當(dāng)前的列表他不滿意，他會等待，直到在未來的某個時空出現(xiàn)滿意的候選訂單列表；

2）第二級，司機認(rèn)為當(dāng)前訂單列表滿意

i） 會從中選取最偏好的訂單響應(yīng)；

ii）基于此候選訂單列表，如果減少訂單o的信息披露，則司機對于其他訂單 o'的接單意愿會提升，而司機對于第一級的 不接單的概率也會提升（第一級的滿意度降低）

2、規(guī)劃

a、目標(biāo)函數(shù)

 

b、問題求解

i、全局的信息披露

ii、局部的信息披露

iii、原始的砍邊算法

iv、最小化損失的砍邊算法（Minimal Loss Edge Cutting）

整體算法如下：

 

3、實驗

a、離線：

選取貨拉拉平臺上3個城市的歷史數(shù)據(jù)，訓(xùn)練司機決策預(yù)估模型

b、在線：

選取貨拉拉平臺上3個城市的若干時間段，按照分組輪換做AB實驗

A：貨拉拉現(xiàn)有的全局信息披露方式

B：基于司機決策預(yù)估模型的$$MLEC$$算法框架

• 定量結(jié)果（從整體的響應(yīng)率、司機使用率來看，提出框架有較大提升）

 

解整體的局部供需問題

• 定性結(jié)果（顏色越深，表示訂單響應(yīng)問題比較嚴(yán)重，提出框架能夠緩）

《Improving the Information Disclosure in Mobility-on-Demand Systems》論文提出了一種優(yōu)化信息披露方式的框架，通過建模和求解，實現(xiàn)業(yè)務(wù)指標(biāo)的優(yōu)化。這項研究不僅適用于貨拉拉這種互聯(lián)網(wǎng)物流平臺，同樣也可應(yīng)用于帶資源約束的推薦系統(tǒng)。

雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。