Uber Cải thiện Đề xuất Nhà hàng bằng cách Sử dụng Tín hiệu Thời gian thực và Xếp hạng theo danh sách

Trang chủ InfoQ Tin tức Uber cải thiện đề xuất nhà hàng bằng cách sử dụng tín hiệu thời gian thực và xếp hạng theo danh sách Kiến trúc & Thiết kế Uber cải thiện đề xuất nhà hàng bằng cách sử dụng tín hiệu thời gian thực và xếp hạng theo danh sách Ngày 22/5/2026 2 phút đọc bởi Leela Kumili Viết cho InfoQ Thỏa mãn sự tò mò của bạn. Giúp hơn 550 nghìn nhà phát triển cấp cao toàn cầu mỗi tháng luôn dẫn đầu. Liên hệ Nghe bài viết này - 0:00 Âm thanh sẵn sàng phát Trình duyệt của bạn không hỗ trợ phần tử âm thanh. 0:00 0:00 Thông thường 1.25x 1.5x Thích Danh sách đọc Uber đã giới thiệu các bản cập nhật cho hệ thống đề xuất Uber Eats, kết hợp các tín hiệu người dùng theo thời gian thực và phương pháp xếp hạng theo danh sách để cải thiện khả năng khám phá nhà hàng. Hệ thống được thiết kế để phản ánh tốt hơn ý định của người dùng trong các phiên duyệt web đang hoạt động, đồng thời cải thiện hiệu quả xếp hạng trên các nhà hàng ứng cử viên. Nó được triển khai trong nền tảng Uber Eats để hỗ trợ các nguồn cấp dữ liệu trang chủ và các bề mặt khám phá. Kiến trúc cập nhật thay thế các đường dẫn tính năng theo lô trước đây bằng một lớp xử lý tín hiệu thời gian thực. Lớp này liên tục thu thập các tương tác của người dùng như nhấp chuột, tìm kiếm và lịch sử đặt hàng để duy trì một biểu diễn cập nhật về hành vi người dùng. Bằng cách chuyển sang cập nhật tính năng gần thời gian thực, hệ thống giảm độ trễ giữa các hành động của người dùng và kết quả cá nhân hóa, cho phép các đề xuất thích ứng nhanh hơn với các sở thích thay đổi trong một phiên. Brinda Panchal, Giám đốc sản phẩm tại Uber, đã mô tả mục tiêu rộng lớn hơn của hệ thống: Cá nhân hóa một thị trường ở quy mô này không chỉ là hiển thị 'món ăn ngon' – đó là việc cân bằng ý định thời gian thực, hệ sinh thái thương gia đa dạng và các mục tiêu xếp hạng phức tạp để tạo ra trải nghiệm khám phá liền mạch. Kiến trúc của nền tảng cá nhân hóa tiếp theo để xây dựng ngữ cảnh người dùng (Nguồn: Bài đăng trên Blog của Uber) Hệ thống đề xuất của Uber cũng kết hợp xếp hạng theo danh sách, trong đó nhiều nhà hàng ứng cử viên được đánh giá cùng nhau trong một bước suy luận duy nhất thay vì riêng lẻ. Cách tiếp cận này cho phép mô hình tối ưu hóa thứ tự tương đối trên một tập hợp các tùy chọn, thay vì gán điểm độc lập cho từng nhà hàng. Theo Uber, điều này cải thiện cả hiệu quả tính toán và chất lượng xếp hạng bằng cách cho phép so sánh trực tiếp giữa các ứng cử viên trong cùng một ngữ cảnh. Kiến trúc đề xuất tạo sinh (Nguồn: Bài đăng trên Blog của Uber) Hệ thống được xây dựng dựa trên một biểu diễn thống nhất về hành vi người dùng, kết hợp hoạt động phiên ngắn hạn với các tín hiệu lịch sử dài hạn. Các tín hiệu này được xử lý thông qua một lớp trích xuất đặc trưng chung, đảm bảo tính nhất quán giữa huấn luyện ngoại tuyến và phục vụ trực tuyến. Dữ liệu huấn luyện được tạo ra bằng cách phát lại các phiên người dùng lịch sử để mô phỏng môi trường sản xuất, giảm sự khác biệt giữa huấn luyện mô hình và suy luận trực tiếp. Một yếu tố thiết kế quan trọng là sự đồng bộ giữa các đường ống huấn luyện và phục vụ. Uber áp dụng cùng một logic trích xuất đặc trưng trên cả hai môi trường để giảm thiểu sự trôi dạt đặc trưng và duy trì tính nhất quán. Cách tiếp cận này giúp đảm bảo rằng các mô hình được huấn luyện trên dữ liệu lịch sử sẽ hoạt động tương tự khi được triển khai trong môi trường sản xuất. Ông Yicheng Chen, Kỹ sư tại Uber, đã nhấn mạnh sự phát triển kỹ thuật của hệ thống: Tận dụng các tính năng chuỗi người dùng gần thời gian thực và mô hình kiểu Generative Recommender (Hệ thống đề xuất tạo sinh) để cung cấp các đề xuất cho trang chủ Uber Eats, đồng thời phát triển xếp hạng trang chủ từ các tính năng thống kê thủ công sang mô hình chuỗi dựa trên transformer, giảm độ tươi mới của tính năng từ 24 giờ xuống còn vài giây. Về mặt hạ tầng, hệ thống được thiết kế để xử lý các ràng buộc về độ trễ thấp, điển hình của các giao diện đề xuất hướng tới người tiêu dùng. Việc tiền xử lý đặc trưng và suy luận mô hình được tách biệt để cải thiện hiệu quả và khả năng mở rộng dưới lưu lượng truy cập cao. Điều này cho phép lớp phục vụ tập trung vào việc xếp hạng trong khi các dịch vụ thượng nguồn quản lý việc tính toán và tổng hợp đặc trưng.