木子
,
~
,

扫描关注作者微信

,发私信,当月热门文章,

• 百度网盘青春版正式上线，「更快」之外还有惊喜
• 三峡云携手信服云：混合云助力各行各业用户迈入数字化时代
• 权威报告：BATH坐稳“中国四朵云”，百度智能云增速第一
• 腾讯携手沙特阿拉伯旅游局，共同打造境外游新热点
• 商汤“工业引擎”加码京沪高铁巡检，春运有AI守护回家路

,

近日，国际数据科学和数据挖掘领域的最顶级学术会议KDD入选论文正式揭晓。今年KDD吸引了全球范围内705篇论文投递，仅收录了138篇论文，收录率不足20%。货拉拉论文《Improving the Information Disclosure in Mobility-on-Demand Systems》（《一种MoD系统中信息披露的优化方法》）从705篇论文中脱颖而出成功入选。该论文通过数据建模解决互联网物流智能分单问题，提升互联网物流平台效率，实现业务指标优化。

本文对货拉拉论文《Improving the Information Disclosure in Mobility-on-Demand Systems》进行详细解读。货拉拉技术团队该论文中提出了一种优化信息披露方式的框架，通过建模和求解，通过算法选取最合适的司机进行履约，实现订单的精准推送，实现平台效率、用户体验和司机体验的整体提升。

一、研究背景

当下货拉拉货运采用的订单分配方式为全局广播，即在指定 时间/距离 等范围内，将所有订单推送给所有司机，司机通过浏览订单列表的方式，做抉择，选取符合预期的订单进行响应，对于同一订单被多个司机响应的场景，由算法综合考虑平台效率、用户体验、司机体验等因素，选取最合适的司机进行履约。

定义订单推送给司机为一种信息披露，本论文提出的算法便是在订单广播环节提出的改进。

作为司机，处于不同的状态（时空，供需，今日累计工作时长，今日累计收入等），面对不同的选择（订单列表），对收入的期望也会有所差异。

举几个例子：

1） 供给受限的情况，待匹配订单数远远大于运力数

司机相对主动，倾向于接价格更高的订单；

2）需求受限的情况，待匹配订单数远远小于运力数

司机相对被动，倾向于选择不空驶，尽量不计较价格；

3）无限制的播单场景，司机的订单列表里有全城，甚至是全国的订单

司机相对主动，在系统订单过剩时，会选择困难；

4）强限制的派单场景，司机的订单列表里不超过一个订单

司机相对被动，在系统 没有派单/派单不满意 时，会有焦虑感；

通过对司机的决策行为进行准确地估计，并通过优化信息披露（哪些订单给哪些司机看）的方式，我们期望实现司机体验、用户体验和平台效率的整体提升。

二、研究价值

1、区别于传统的推荐系统，例如抖音，豆瓣，淘宝等，电商网站的商品，以及短视频等内容，相对来说是一个不受限的资源，即一个商品可以被成百上千个用户购买，一条视频可以被推荐给千千万万的用户。

货拉拉场景：订单因时空问题，会被推送给有限个司机；司机因屏幕问题，只能浏览有限个订单。这一类带资源约束的问题，目前没有成熟有效的解决方案。

2、区别于传统的派单模式，众包业务的播单模式引入了更多的运力保障。 

a、引入了更多的复杂度

对于m个司机，n个订单的业务场景

派单解决的是1vs1的匹配问题，播单解决的问题是n vs m的信息披露问题

纯暴力的搜索空间：

随着问题规模的不断变大， 其对应复杂度呈指数增长。

b、引入了更多的司机竞争

不管是供给过剩，还是需求过剩的场景，司机对某一类订单的偏好比较一致，例如高价格、高小费等属性，导致该类订单响应的司机数多，而订单最终只能由一位司机来履约，势必产生很多的无效司机选择，导致平台整体效率降低。

三、算法框架

1、预测

基于业务场景下的条件依赖，我们拓展了Multinormal Logit Model，将司机的决策分两步来估计：

a、司机选择接单，或者不接单

b、司机选择候选列表中的某一订单进行响应

通过在历史行为数据上做最大化对数似然估计，我们对模型的参数进行拟合：

可以逐级来分析建模的合理性：

1）第一级，司机看到某个订单列表，有一定的概率会选择不接单，如果当前的列表他不满意，他会等待，直到在未来的某个时空出现满意的候选订单列表；

2）第二级，司机认为当前订单列表满意

i） 会从中选取最偏好的订单响应；

ii）基于此候选订单列表，如果减少订单o的信息披露，则司机对于其他订单 o’的接单意愿会提升，而司机对于第一级的 不接单的概率也会提升（第一级的满意度降低）

2、规划

a、目标函数

b、问题求解

i、全局的信息披露

ii、局部的信息披露

iii、原始的砍边算法

iv、最小化损失的砍边算法（Minimal Loss Edge Cutting）

整体算法如下：

3、实验

a、离线：

选取货拉拉平台上3个城市的历史数据，训练司机决策预估模型

b、在线：

选取货拉拉平台上3个城市的若干时间段，按照分组轮换做AB实验

A：货拉拉现有的全局信息披露方式

B：基于司机决策预估模型的$$MLEC$$算法框架

• 定量结果（从整体的响应率、司机使用率来看，提出框架有较大提升）

解整体的局部供需问题

• 定性结果（颜色越深，表示订单响应问题比较严重，提出框架能够缓）

《Improving the Information Disclosure in Mobility-on-Demand Systems》论文提出了一种优化信息披露方式的框架，通过建模和求解，实现业务指标的优化。这项研究不仅适用于货拉拉这种互联网物流平台，同样也可应用于带资源约束的推荐系统。

雷锋网雷锋网

雷峰网版权文章，未经授权禁止转载。详情见转载须知。