本文复盘了在民宿预订这一低频、高决策成本场景下推荐系统面临的核心挑战与解题思路。重点讨论了极度稀疏数据下的协同过滤失效、非标房源的结构化特征工程、以及基于动态任务权重的多目标优化方案。希望能为做搜广推的同学提供一些真实场景的参考1. 业务背景与算法挑战我们平台是国内民宿行业的头部日均搜索推荐请求量过亿。但民宿场景和传统电商、内容信息流有本质区别用户行为极度稀疏用户年均出行仅2-3次下单前却有1-2周的反复搜索比对期。历史行为间隔太久偏好漂移严重常规协同过滤几乎失效。房源极度非标房东上传的图片、描述质量参差不齐面积、装修风格、周边环境等信息结构化程度低很难像标品那样做标准化特征工程。决策链条极长用户从搜索到下单中间经历大量比对、收藏、分享、咨询转化信号极其稀疏正负样本比例严重失衡。这些特点决定了直接把电商或信息流的成熟方案搬过来效果会很差。以下是我们针对几个关键模块的实践思路。2. 召回层的探索从“精准匹配”到“启发式探索”早期我们以向量召回和关键词匹配为主。但分析用户行为后发现用户输入“胡同里的院子”时其实并不清楚自己想要什么。单纯匹配“胡同院子”的关键词会把用户困在信息茧房里。我们尝试了探索式召回在实时捕捉用户意图的基础上引入一定比例的“非直接相关但高互动率”的房源。做法是构建一个基于用户实时会话序列的意图扩散模型在当前意图节点的二阶邻居中采样候选。这个策略让长尾房源曝光量提升了约15%客单价也有正向变化。3. 精排层多目标优化的跷跷板问题点击率、转化率、客单价、GMV——这些目标互相拉扯。我们试过硬参数共享和MMOE但发现由于业务的强周期性周末、节假日、季节不同塔之间容易出现“跷跷板”效应。后来我们引入了动态任务权重根据距离出行日期的远近动态调整转化率与客单价的权重。对于近期出行的用户加大转化率权重对于提前规划的用户则偏向客单价和体验感。这本质上是一个基于业务先验的帕累托最优近似训练时把时间距离作为条件输入让模型学习不同阶段的偏好分布。线上验证时整体转化率有个位数上涨旺季客单价没有明显下跌。4. 冷启动的另一种思路基于房东信誉度的图模型新房源冷启动是民宿行业的通病。除了常规的内容理解图文多模态特征提取、设施标签体系我们还尝试了一种基于房东信誉度的图传播。如果一个新房源由高信誉度房东发布且描述、设施和该城市热门房源有相似的特征分布我们会在重排阶段给予一个短暂流量暴增窗口然后根据后验数据决定后续流量分配。这个方案的核心是建立房东-房源-城市的异构关系图用图卷积做半监督传播。5. 一些踩过的坑特征实时性比模型复杂度更关键用户在出行前的搜索意图变化很快离线特征窗口过长会导致推荐与当前意图脱节。我们花了很大精力优化特征流水线的时效性而不是死磕模型结构。在线打分的一致性校验线上线下特征拼接不一致导致的打分偏移排查起来非常耗时。建议建立完善的特征监控和打分diff体系这对保障用户体验很重要。6. 写在最后低频高决策场景下的推荐系统还有很多值得深挖的命题如何更好地建模用户的决策心理、如何在保护隐私的前提下做跨端行为融合、如何让推荐结果具有更好的可解释性等等。如果你读完这篇文章有想法或者有更好的解法欢迎通过站内私信交流。大家一起把这块的技术往前推一步。