论文部分内容阅读
近年来,物流领域高速发展,其相关产品已经渗入到人们生活的方方面面。在互联网时代的智能生活下,物联网生活也在逐步到来。因此,对物联网产业链的研究逐渐展开。其中,公路物流领域的发展显得尤为突出,2018年公路物流的货物运输量占整个物流体系75%以上[1]。借助于公路货运调度平台信息,司机输入搜索信息后出现的货物详情页面。其传统的推荐逻辑展示的推荐列表,准确度低、司机在选择货物信息时的决策成本较高、决策时间较长、货车空驶情况较严重。随着近年来人工智能和云计算技术的迅猛发展,越来越多的电子商务企业在其商品展示详情页中的推荐模型研究均给公司带来了较大获益。而目前公路货运调度平台还尚未在此方面做出显著研究成果。因此,构建高效、高稳定性的货物详情页推荐模型对物流领域的发展显得至关重要。本文研究是在传统推荐算法研究基础上,将整个推荐模型分为召回模型和打分模型两大部分。其中,召回模型是从百万实时货物信息中召回k条与目标货物最相关的货物信息,打分模型是求得召回的k条货物信息会被点击的概率值。本文以货运调度平台的真实数据信息构建模型,真实线上效果评估模型的合理性和有效性。对于召回模型,分别通过协同过滤算法和改进后的协同过滤算法得到召回结果,打分模型通过逻辑回归和Xg-boost(Extreme Gradient Boosting)求得货物被点击的概率值。基于AUC(Area Under Curve)线下评估模型的拟合能力,基于A/B测试线上评估模型效果的真实性和可推广性。在召回模型阶段,改进后的协同过滤算法得到的货物推荐具有更高的AUC值。在打分模型阶段,通过卡方检验和递归特征消除将数据特征分别从19个筛选至11个再筛选至6个。改进的协同过滤算法+Xg-boost模型得到的AUC值为0.75,高于其他模型表现。但Xg-boost的线上运行效率不高、可解释性不强,真实线上运行模型采用改进的协同过滤算法+逻辑回归。线下AUC值为0.65,线上点击率每天稳定提升9%,模型结果实现了研究目标,为货运调度平台带来重要经济价值。