优步通过实时信号与Listwise排序改进餐厅推荐
优步通过实时信号与Listwise排序改进餐厅推荐
优步在 Uber Eats 推荐系统中引入了实时用户信号与 Listwise 排序方法，以提升餐厅推荐体验。该系统通过近实时特征流水线替代批处理模式，并采用联合排序策略优化候选餐厅的整体顺序，目前已在首页信息流和发现入口全面部署。
实时信号处理层：从批处理到近实时
优步更新了推荐系统的核心架构，用实时信号处理层替换了原有的批处理特征流水线。该层持续捕获点击、搜索记录、下单历史等用户交互信息，维护最新的用户行为表征。特征更新从批量模式切换为近实时模式后，用户行为到个性化推荐之间的延迟显著降低，系统能够在单次会话内更快响应用户偏好的变化。
Brinda Panchal（优步产品负责人）在 LinkedIn 上阐述了该系统的设计目标：
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。
Listwise排序：联合评估提升效率
优步的推荐技术栈引入了 Listwise 排序方法。与传统的 Pointwise 逐个打分不同，Listwise 排序在一次推理中联合评估多个餐厅候选者，直接优化一组候选之间的相对顺序。这种方式避免了独立打分带来的信息割裂，通过同上下文下的直接比较，提升了计算效率和排序质量。
统一用户表征：结合短期与长期信号
系统建立在统一的用户行为表征之上，将短期会话活动与长期历史信号融合。所有信号经过共享特征提取层处理，确保离线训练与在线服务之间的一致性。训练数据通过回放历史用户会话来模拟生产环境，从而减少模型训练与线上推理之间的偏差。
训练与服务对齐：保持特征一致性
优步在系统的离线训练和在线服务中使用完全相同的特征提取逻辑，以降低特征漂移并保持一致性。这一做法保证了模型在历史数据上训练后的行为，与上线后的实际表现尽可能一致。工程师 Yicheng Chen 在技术分享中强调：
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。
基础设施设计：低延迟与可扩展性
针对消费级推荐场景的低延迟约束，优步对系统基础设施进行了专门设计。特征预处理与模型推理解耦，在高流量下提升效率与可扩展性。服务层专注于排序任务，而上游服务负责特征计算与聚合，形成职责清晰、可独立扩展的架构。
关键要点
- 实时信号处理：将特征更新从批处理切换到近实时，大幅降低用户行为到推荐结果的延迟。
- Listwise 排序：联合评估多个候选餐厅，直接优化整体排序顺序，提升计算效率与排序质量。
- 统一用户表征：融合短期会话活动与长期历史信号，通过共享特征提取层保证离线/在线一致性。
- 训练-服务对齐：同一套特征提取逻辑用于训练和服务，避免特征漂移与线上偏差。
- 低延迟基础设施：特征预处理与模型推理解耦，服务层专注于排序，上游负责特征计算，满足高流量下的可扩展性。