优步升级 Uber Eats 推荐系统，引入近实时用户序列特征与 Listwise 排序方法，通过生成式推荐模型提升餐厅推荐的时效性与排序质量。
📝 详细摘要
本文编译自 InfoQ 英文报道，介绍优步对 Uber Eats 首页推荐系统的重大升级。核心改进包括：以实时信号处理层替换批处理特征流水线，将用户行为到个性化结果的延迟从天级缩短到秒级；引入 Listwise 排序方法，在多候选者之间联合评估而非独立打分，提升排序计算效率与相对顺序优化；采用统一的用户行为表征结合短期会话与长期历史信号，并通过训练与服务流水线的对齐降低特征漂移。文章引用了优步产品负责人与工程师的帖子，概述了该系统的架构演进：从手工统计特征到基于 Transformer 的序列建模，并将生成式推荐模型应用于首页推荐。目前该系统已部署在 Uber Eats 平台支持首页信息流与发现入口。
💡 主要观点
- 近实时用户序列特征大幅缩短推荐延迟。 通过实时信号处理层持续摄取点击、搜索和下单历史，将特征新鲜度从 24 小时缩短到秒级，使推荐在会话内更快响应偏好变化。
💬 文章金句
- 在如此规模下做平台个性化，不只是展示'好吃的食物'，而是要在实时意图、多样商家生态和复杂排序目标之间取得平衡，打造流畅的发现体验。
- 我们利用近实时的用户序列特征和生成式推荐风格模型来驱动 Uber Eats 的首页推荐，并将首页排序从手工统计特征演进到基于 Transformer 的序列建模，把特征新鲜度从 24 小时缩短到秒级。
📊 文章信息
AI 初评：80
来源：InfoQ 中文
作者：InfoQ 中文
分类：人工智能
语言：中文
阅读时间：5 分钟
字数：1226
标签： 推荐系统, 生成式推荐, 排序系统, 实时特征, 序列模型