机器学习在高德起点抓路中的应用实践

根据起点抓路业务特点，我们采用了list-wise，其learning to rank框架具有以下特征：

• 输入信息是同一路线规划请求对应的所有道路构成的多特征向量（即一个query）。
• 输出信息是对应请求（即同一query）特征向量的打分序列。
• 对于打分函数，我们采用了树模型。

我们选择NDCG（Normalized Discounted Cumulative Gain 归一化累积折算信息增益值）作为模型评价指标，NDCG是一种综合考虑模型排序结果和真实序列之间关系的指标，也是常用的衡量排序结果的指标。

4.模型训练及效果评估

我们抽取了一定时间段内的请求信息，按照步骤2中描述的方式获取到对应真值及特征数据，打标构建了样本集，将其划分为训练集与测试集，训练模型并查看结果是否符合预期。

评估模型效果，我们将测试集的请求分别用人工规则及机器学习模型进行抓路，并分别与真值进行对比，统计准确率。

对比结果，针对随机抽取的请求，模型与人工规则抓路结果差异率为10%，这10%的差异群体中，模型抓路准确率比人工规则提升40%，效果显著。

写在最后

以上我们介绍了大数据和机器学习在起点抓路方面的一些应用，项目的成功上线也验证了机器学习在提升准确率、优化流程等方面可以发挥重要作用。

未来，我们希望能够将现有模型场景继续细化，寻找新的收益点，从数据和模型两个角度共同探索，持续优化机器学习抓路效果。

（编辑：南京站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!