司机|货拉拉KDD2021论文详解：MoD系统中信息披露的优化方法规级|半导体|华虹|斯达半导

近日，国际数据科学和数据挖掘领域的最顶级学术会议KDD入选论文正式揭晓。今年KDD吸引了全球范围内705篇论文投递，仅收录了138篇论文，收录率不足20%。货拉拉论文《Improving the Information Disclosure in Mobility-on-Demand Systems》（《一种MoD系统中信息披露的优化方法》）从705篇论文中脱颖而出成功入选。该论文通过数据建模解决互联网物流智能分单问题，提升互联网物流平台效率，实现业务指标优化。
本文对货拉拉论文《Improving the Information Disclosure in Mobility-on-Demand Systems》进行详细解读。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。
一、研究背景当下货拉拉货运采用的订单分配方式为全局广播，即在指定时间/距离等范围内，将所有订单推送给所有司机，司机通过浏览订单列表的方式，做抉择，选取符合预期的订单进行响应，对于同一订单被多个司机响应的场景，由算法综合考虑平台效率、用户体验、司机体验等因素，选取最合适的司机进行履约。
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。
作为司机，处于不同的状态（时空，供需，今日累计工作时长，今日累计收入等），面对不同的选择（订单列表），对收入的期望也会有所差异。
举几个例子：
1）供给受限的情况，待匹配订单数远远大于运力数
司机相对主动，倾向于接价格更高的订单；
2）需求受限的情况，待匹配订单数远远小于运力数
司机相对被动，倾向于选择不空驶，尽量不计较价格；
3）无限制的播单场景，司机的订单列表里有全城，甚至是全国的订单
司机相对主动，在系统订单过剩时，会选择困难；
4）强限制的派单场景，司机的订单列表里不超过一个订单
司机相对被动，在系统没有派单/派单不满意时，会有焦虑感；
通过对司机的决策行为进行准确地估计，并通过优化信息披露（哪些订单给哪些司机看）的方式，我们期望实现司机体验、用户体验和平台效率的整体提升。
二、研究价值1、区别于传统的推荐系统，例如抖音，豆瓣，淘宝等，电商网站的商品，以及短视频等内容，相对来说是一个不受限的资源，即一个商品可以被成百上千个用户购买，一条视频可以被推荐给千千万万的用户。
货拉拉场景：订单因时空问题，会被推送给有限个司机；司机因屏幕问题，只能浏览有限个订单。这一类带资源约束的问题，目前没有成熟有效的解决方案。
2、区别于传统的派单模式，众包业务的播单模式引入了更多的运力保障。
a、引入了更多的复杂度
对于m个司机，n个订单的业务场景
派单解决的是1vs1的匹配问题，播单解决的问题是n vs m的信息披露问题
纯暴力的搜索空间：

文章插图
随着问题规模的不断变大，其对应复杂度呈指数增长。
b、引入了更多的司机竞争
不管是供给过剩，还是需求过剩的场景，司机对某一类订单的偏好比较一致，例如高价格、高小费等属性，导致该类订单响应的司机数多，而订单最终只能由一位司机来履约，势必产生很多的无效司机选择，导致平台整体效率降低。
三、算法框架1、预测
基于业务场景下的条件依赖，我们拓展了Multinormal Logit Model，将司机的决策分两步来估计：
a、司机选择接单，或者不接单
b、司机选择候选列表中的某一订单进行响应

文章插图
通过在历史行为数据上做最大化对数似然估计，我们对模型的参数进行拟合：

文章插图
可以逐级来分析建模的合理性：
1）第一级，司机看到某个订单列表，有一定的概率会选择不接单，如果当前的列表他不满意，他会等待，直到在未来的某个时空出现满意的候选订单列表；
2）第二级，司机认为当前订单列表满意
i）会从中选取最偏好的订单响应；
ii）基于此候选订单列表，如果减少订单o的信息披露，则司机对于其他订单 o'的接单意愿会提升，而司机对于第一级的不接单的概率也会提升（第一级的满意度降低）
2、规划
a、目标函数