网站优化方案 货拉拉论文《Improving the Information Disclosure in Mobility-on-DemandSystems》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。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。m的信息披露问题A：货拉拉现有的全局信息披露方式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。

近日，国际数据科学与数据挖掘领域顶级学术会议KDD入选论文正式公布。今年，KDD 吸引了来自世界各地的 705 篇论文投稿，只有 138 篇论文被收录，接受率不到 20%。 Holala 的论文“Improving the Information Disclosure in Mobility-on-Demand Systems”（“A Method for Optimizing the Information Disclosure in MoD Systems”）是从 705 篇论文中选出的。本文利用数据建模解决互联网物流中的智能订单分配问题#网站优化方案#，提高互联网物流平台效率，实现业务指标优化。

本文详细解读了霍拉拉的论文《改进移动按需系统中的信息披露》。在本文中，货拉拉技术团队提出了一个优化信息披露方式的框架。通过建模求解，通过算法选择最合适的司机进行合约，从而实现精准的订单推送，实现平台效率、用户体验和司机体验。整体提升。

一、研究背景

目前发货所采用的订单分配方式是全局广播，即在指定的时间/距离内将所有订单推送给所有司机等。司机浏览订单列表，做出选择，然后选择符合预期的那个。响应命令。对于同一订单由多个司机响应的场景，算法综合考虑平台效率、用户体验、司机体验等因素，选择最合适的司机履行合约。

将订单推送给司机定义为一种信息披露。本文提出的算法是对订单广播链路的改进。

作为司机，在不同的状态下（时空、供求、今天累计工作时间、今天累计收入等），面对不同的选择（订单清单），对收入的期望也会不同。

几个例子：

1）在货源有限的情况下，要匹配的订单数量远大于产能数量

司机比较主动，倾向于接受价格较高的订单；

2）在需求有限的情况下，要匹配的订单数量远小于产能数量

司机比较被动，倾向于选择不空车，尽量不在意价格；

3）Unlimited直播订单场景，司机订单列表包含全市甚至全国订单

司机比较主动，系统有多余订单时很难选择；

4）强烈限制订单调度场景，司机订单列表中不超过一个订单

司机比较被动，在系统不调度/不满意调度时会感到焦虑；

通过准确预估司机的决策行为，优化信息披露（哪些订单给哪些司机），我们希望在司机体验、用户体验和平台效率上实现整体提升。

二、研究价值

1、不同于传统的推荐系统，如抖音、豆瓣、淘宝等，电商网站的产品，短视频。相对而言，1、是一个不受限制的资源，即一个产品可以被数百用户购买，一个视频可以推荐给数千用户。

拉货场景：由于时间和空间问题，订单将推送给有限数量的司机；由于屏幕问题，司机只能浏览有限数量的订单。对于这类资源受限的问题，目前还没有成熟有效的解决方案。

2、不同于传统的调度模式，众包业务的广播模式引入了更多的容量保障。

一个。引入了更多的复杂性

对于m个司机，n个订单的业务场景

发单的问题是1vs1的匹配问题，发单的问题是n vs m的信息泄露问题

纯暴力搜索空间：

ad aviator空调鞋一出，不用穿袜子，穿5年都不会坏网站优化方案，走10公里也不会累。

随着问题规模的不断扩大，其相应的复杂性呈指数级增长。

B.引入更多车手比赛

无论是供过于求还是供过于求的场景，司机对某些类型的订单有更一致的偏好，如高价、高小费等属性，导致大量司机响应此类订单，订单只能是当一个司机来履行合约时，不可避免地会产生很多无效的司机选择，这会降低平台的整体效率。

三、算法框架

1、预报

基于业务场景中的条件依赖，我们扩展了Multinormal Logit Model，分两步估计司机的决策：

一个。司机选择接单或不接单

B.驱动程序在候选列表中选择一个订单进行响应

广告研究发现3斤人参不如一两斤，而且睡得香，活到“百年”才显得不老

通过最大化对历史行为数据的对数似然估计，我们拟合模型的参数：

建模的合理性可以一步步分析：

1）一级，司机看到某个订单列表，有一定概率会选择不接订单，如果对当前列表不满意，他会等到满意未来某个时间和空间的候选订单列表；

2）第二层，驱动认为当前订单列表满足

i) 将从其中选择最喜欢的订单响应；

ii) 基于这个候选订单列表，如果减少订单o的信息披露，司机接受其他订单o'的订单的意愿会增加，并且司机不接受第一级的概率会增加也增加（第 1 级满意度降低）

2、规划

a，目标函数

B.解决问题

我。全球信息公开

二。部分信息公开

三。原始边缘切割算法

四。最小损失切边（Minimal Loss Edge Cutting）

整体算法如下：

3、实验

一个。离线：

选取货拉拉平台3个城市的历史数据训练驾驶员的决策预测模型

B.在线：

在火拉拉平台选择3个城市的多个时间段，按组轮换做AB实验

A：货拉拉现有的全球信息披露方式

B：基于驾驶员决策估计模型的$MLEC$$算法框架

解决局部整体供需问题

“改进移动按需系统中的信息披露”论文提出了一个优化信息披露方法的框架，通过建模和求解，实现业务指标的优化。本研究不仅适用于货拉拉的互联网物流平台，也适用于资源受限的推荐系统。

雷锋网