近日，國際數(shù)據(jù)科學和數(shù)據(jù)挖掘領域的最頂級學術會議KDD入選論文正式揭曉。今年KDD吸引了全球范圍內705篇論文投遞，僅收錄了138篇論文，收錄率不足20%。貨拉拉論文《Improving the Information Disclosure in Mobility-on-Demand Systems》（《一種MoD系統(tǒng)中信息披露的優(yōu)化方法》）從705篇論文中脫穎而出成功入選。該論文通過數(shù)據(jù)建模解決互聯(lián)網物流智能分單問題，提升互聯(lián)網物流平臺效率，實現(xiàn)業(yè)務指標優(yōu)化。
本文對貨拉拉論文《Improving the Information Disclosure in Mobility-on-Demand Systems》進行詳細解讀。貨拉拉技術團隊該論文中提出了一種優(yōu)化信息披露方式的框架，通過建模和求解，通過算法選取最合適的司機進行履約，實現(xiàn)訂單的精準推送，實現(xiàn)平臺效率、用戶體驗和司機體驗的整體提升。
一、研究背景
當下貨拉拉貨運采用的訂單分配方式為全局廣播，即在指定 時間/距離 等范圍內，將所有訂單推送給所有司機，司機通過瀏覽訂單列表的方式，做抉擇，選取符合預期的訂單進行響應，對于同一訂單被多個司機響應的場景，由算法綜合考慮平臺效率、用戶體驗、司機體驗等因素，選取最合適的司機進行履約。
定義訂單推送給司機為一種信息披露，本論文提出的算法便是在訂單廣播環(huán)節(jié)提出的改進。
作為司機，處于不同的狀態(tài)（時空，供需，今日累計工作時長，今日累計收入等），面對不同的選擇（訂單列表），對收入的期望也會有所差異。
舉幾個例子：
1） 供給受限的情況，待匹配訂單數(shù)遠遠大于運力數(shù)
司機相對主動，傾向于接價格更高的訂單；
2）需求受限的情況，待匹配訂單數(shù)遠遠小于運力數(shù)
司機相對被動，傾向于選擇不空駛，盡量不計較價格；
3）無限制的播單場景，司機的訂單列表里有全城，甚至是全國的訂單
司機相對主動，在系統(tǒng)訂單過剩時，會選擇困難；
4）強限制的派單場景，司機的訂單列表里不超過一個訂單
司機相對被動，在系統(tǒng) 沒有派單/派單不滿意 時，會有焦慮感；
通過對司機的決策行為進行準確地估計，并通過優(yōu)化信息披露（哪些訂單給哪些司機看）的方式，我們期望實現(xiàn)司機體驗、用戶體驗和平臺效率的整體提升。
二、研究價值
1.區(qū)別于傳統(tǒng)的推薦系統(tǒng)，例如抖音，豆瓣，淘寶等，電商網站的商品，以及短視頻等內容，相對來說是一個不受限的資源，即一個商品可以被成百上千個用戶購買，一條視頻可以被推薦給千千萬萬的用戶。
貨拉拉場景：訂單因時空問題，會被推送給有限個司機；司機因屏幕問題，只能瀏覽有限個訂單。這一類帶資源約束的問題，目前沒有成熟有效的解決方案。
2.區(qū)別于傳統(tǒng)的派單模式，眾包業(yè)務的播單模式引入了更多的運力保障。
a.引入了更多的復雜度
對于m個司機，n個訂單的業(yè)務場景
派單解決的是1vs1的匹配問題，播單解決的問題是n vs m的信息披露問題
純暴力的搜索空間：
隨著問題規(guī)模的不斷變大， 其對應復雜度呈指數(shù)增長。
b.引入了更多的司機競爭
不管是供給過剩，還是需求過剩的場景，司機對某一類訂單的偏好比較一致，例如高價格、高小費等屬性，導致該類訂單響應的司機數(shù)多，而訂單最終只能由一位司機來履約，勢必產生很多的無效司機選擇，導致平臺整體效率降低。
三、算法框架
1.預測
基于業(yè)務場景下的條件依賴，我們拓展了Multinormal Logit Model，將司機的決策分兩步來估計：
a.司機選擇接單，或者不接單
b.司機選擇候選列表中的某一訂單進行響應
通過在歷史行為數(shù)據(jù)上做最大化對數(shù)似然估計，我們對模型的參數(shù)進行擬合：
可以逐級來分析建模的合理性：
1）第一級，司機看到某個訂單列表，有一定的概率會選擇不接單，如果當前的列表他不滿意，他會等待，直到在未來的某個時空出現(xiàn)滿意的候選訂單列表；
2）第二級，司機認為當前訂單列表滿意
i） 會從中選取最偏好的訂單響應；
ii）基于此候選訂單列表，如果減少訂單o的信息披露，則司機對于其他訂單 o’的接單意愿會提升，而司機對于第一級的 不接單的概率也會提升（第一級的滿意度降低）
2.規(guī)劃
a.目標函數(shù)
b.問題求解
i. 全局的信息披露
ii. 局部的信息披露
iii. 原始的砍邊算法
iv. 最小化損失的砍邊算法（Minimal Loss Edge Cutting）
整體算法如下：
3.實驗
a.離線：
選取貨拉拉平臺上3個城市的歷史數(shù)據(jù)，訓練司機決策預估模型
b.在線：
選取貨拉拉平臺上3個城市的若干時間段，按照分組輪換做AB實驗
A：貨拉拉現(xiàn)有的全局信息披露方式
B：基于司機決策預估模型的$$MLEC$$算法框架
l 定量結果（從整體的響應率、司機使用率來看，提出框架有較大提升）
解整體的局部供需問題
l 定性結果（顏色越深，表示訂單響應問題比較嚴重，提出框架能夠緩）
《Improving the Information Disclosure in Mobility-on-Demand Systems》論文提出了一種優(yōu)化信息披露方式的框架，通過建模和求解，實現(xiàn)業(yè)務指標的優(yōu)化。這項研究不僅適用于貨拉拉這種互聯(lián)網物流平臺，同樣也可應用于帶資源約束的推薦系統(tǒng)。
