配送与出行 / 网约车与配送
Grab：多个推荐服务共用的用户模型
- 企业
- Grab
- 国家
- 未分类
- 实施阶段
- 运营中
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 阅读原文正文
业务问题
Grab的推荐模型依赖针对不同任务分别设计的用户特征。各团队需要独立加工餐饮订单、乘车和支出等信息，也难以充分体现用户在应用中的行为顺序，因此需要能够跨服务复用的用户表示。
使用的技术与数据
Grab构建了基于Transformer的用户模型，共同学习交易和用户属性等表格数据，以及浏览、点击等时序行为数据。不同数据类型的adapter和顺序处理结构提取表示长期偏好及近期意图的embedding。基于Ray的流程将CPU数据准备与GPU模型执行分离，每天更新数百万活跃用户的embedding并提供给多个下游模型。
成果
Grab表示，广告优化、dual app预测、欺诈检测和流失概率预测已经受益于该模型。各团队可以将公共embedding输入现有模型，或在开发新模型时复用。原文说明了开发时间缩短和预测改善，但没有提供各服务的在线实验数值或节省金额。
局限与待解问题
各任务的准确率、在线实验效果及成本节省数据未得到确认。整合所有服务的数据流并扩展到更多实体类型仍是未来改进计划。
来源
- Grab | 여러 추천 서비스의 공통 사용자 모델engineering.grab.com, 查阅
本案例根据公开资料整理，并非 ATF Works 客户的成果。