​为热门平台提供更好的推荐方式

当Uber Eats在2019年开始采用更加由数据驱动的推荐方式时，Yuyan Wang以应用科学家和数据科学团队创始成员的身份加入了公司。为了能够使客户、送餐员和餐厅都满意并实现长期利润最大化，该团队着手在外卖平台上构建更好的推荐系统。

所谓的推荐系统就是在你打开Uber Eats等应用时看到的建议背后的驱动力。它们由经过训练的算法提供支持，这些算法可以根据消费者以前的决定以及其他客户的行为来了解消费者的需求。例如，当喜欢德州墨西哥风味的Uber Eats客户打开该应用时，他们可能会看到一系列提供fajita和enchilada的餐厅。

这些推荐系统已经成为了多边平台的主要增长动力—这些应用程序连接多个客户群体，如买家和卖家（亚马逊、eBay）或司机和乘客（Uber、Lyft）。YouTube将其70%的观看时长归功于推荐系统，而Netflix报告称个性化推荐现在占其内容消费的80%。

当Wang加入Uber Eats时，平台的推荐系统主要是以让客户继续使用该应用为目标，但并没有考虑到餐厅或快递员的目标。最近刚刚加入斯坦福商学院担任市场营销助理教授的Wang说，从理论上讲，推荐受欢迎的餐厅的确可能会增加消费者下单的可能性，但同时也会产生一些意想不到的连锁反应。

受欢迎的餐厅可能会因为被过度推荐而导致订单量爆满。如果餐厅老板的体验不好，可能就不会向其他餐厅的老板推荐Uber Eats。顾客也可能会因为延迟送餐而恼火，从而不再使用该平台。而且，订单延迟还可能会导致送餐员迟到并收到较少的小费。更重要的是，新开的以及生意没有那么好的餐厅可能无法获得他们所期望的曝光率，并选择离开该平台。从长远来看，这将导致使用该平台的餐厅数量减少，这意味着消费者的体验会因为选择不足而变得更差。

“当你只针对某一方面进行优化时，就会损害其他方面，最终影响到平台业务。” Wang说，“平台要想获得长期成功，就需要考虑到整体业务的各个方面。这样才能获得更高的利润。”

在最近发表的新论文中，Wang和Uber Technologies的Long Tao以及Xian Xing Zhang展示了他们如何为Uber Eats开发一种新的推荐系统—多目标分层推荐系统 (MOHR) ，该系统考虑了多边平台不同参与者之间经常相互竞争的目标，各行各业的公司—从Netflix到Etsy—都可以使用它来改进客户推荐。

升级轮播

Wang和她的同事开发的推荐系统，是第一个以数学方式全面地为客户提供推荐的系统。该系统可以让多个利益相关者同时受益，还解决了如何在页面上对推荐内容进行排序和排列的难题。

在此之前，Uber Eats并没有专门的数学框架来组织推荐内容的轮播，让客户可以滚动浏览“健康饮食”或“可在25分钟内送达”等类别。“轮播有助于缓解‘共同启动’问题，或者说不知道向新客户推荐什么的问题。” Wang说，“但平台也很难将这些轮播与单个餐厅一起排名和安排在同一页面上”—更不用说实时且个性化的推荐了。

许多平台都是使用一套杂乱无章的分散规则或昂贵的机器学习系统来做出排序决策。“我们的系统为平台提供了一种全面且符合数学原理的方法来解决这个问题。” Wang说。

多年来，越来越多的人意识到，专注于短期参与目标的推荐系统可能会导致更多的标题党和劣质内容。
– Yuyan Wang

研究人员进行了一项实地实验，将他们的推荐系统应用于Uber Eats全球2%的消费者。结果显示，消费者的转化率、留存率和总预订量均有显著改善。他们估计，如果该系统应用于所有消费者，Uber Eats每周的收入将增加150万美元。现在，公司已在全球范围内的应用主页上部署了该推荐系统。

Wang和她的同事设计了具有多个模块的推荐系统，以便不同公司的开发人员可以根据他们独特的需求选择使用。“也许你的页面上没有分层的呈现方式，但你确实关心相互竞争的目标。” 她说，“你可以以模块化的方式使用该系统。” 该系统还可以优化新闻网站或服装卖家等单边平台。

超越黑匣子

这个推荐系统涉及到营销、机器学习和统计学的交叉领域，和Wang的总体研究兴趣非常吻合。在Uber的工作之后，她又担任了四年的Google DeepMind高级研究工程师。“我热爱我的工作。” 她说，“你可以看到工作带来的直接、切实的影响。当你今天订购Uber Eats时，推荐仍然由这个框架提供支持。所以，这真的是一次非常棒的体验。”

Wang进入学术界是因为她想更好地理解和提升个性化产品和服务的长期价值。“越来越多的人已经逐渐意识到，专注于短期参与目标的推荐系统可能会导致更多的标题党和劣质内容。” 她说，“我希望能够优化一些长期指标，比如吸引回头客，让客户在平台上获得更充实、更有意义的长期体验。”

更广泛地说，Wang感兴趣的是利用理论和行为洞察来设计出更加透明的机器学习系统。她认为当前的设计方法中仍然存在着很多缺陷。例如黑盒模型，开发者无法看到算法用来生成给定输出的因素。在另外一篇新论文中，她详细介绍了与谷歌研究人员的合作。他们在YouTube上测试了一个推荐框架，该框架在进行预测时会考虑到消费者的意图，而不是像大多数平台那样仅仅依赖黑盒模型。

“更多数据和更强的计算能力可能会让新的人工智能模型更加强大。” Wang说，“但你并不知道为什么消费者在平台上会以某种方式行事，或者为什么某些模型架构比其他模型架构效果更好。这不是进行人工智能研究最可持续的方式。”

“越来越多的人热衷于利用人工智能和机器学习来解决现实世界的商业问题，这真是太好了。” 她说。“我很高兴能够弥合这一差距。我认为这两个社区可以相互利用彼此的优势，展开更加紧密的合作。”