Доклад нашей команды FoodNet: упрощение онлайн-заказа еды с помощью контекстных комбинаций еды был принят на CODS-COMAD ’22, 5-ю Совместную международную конференцию по науке о данных и управлению данными, Индия. Поздравления Рутвику Виджали, Дипешу Бхагериа, Ашай Тамхане, Митхуну TM и Джайраджу Сатьянараяне.

Также был принят доклад Гаурав Павара, Абхинава Ганесана, Ритвика Моге, Бхарата Наяка, Тани Кханна, Кранти Митра Адусимилли под названием «Как научиться предсказывать расстояние для двухколесного транспорта».

Тезисы приведены ниже:

  1. Аннотация для "FoodNet: Упрощение онлайн-заказа еды с помощью контекстных комбинаций еды": объединение дополнительных блюд в простые для заказа комбинации еды жизненно важно для обеспечения беспрепятственного процесса заказа еды. Создание комбинаций для нескольких тысяч ресторанов и миллионов блюд вручную невозможно масштабировать и персонализировать. Мы предлагаем FoodNet, архитектуру глубокого обучения, основанную на внимании, с монотонно уменьшающимся ограничением разнообразия, чтобы рекомендовать персонализированные комбинации из двух пунктов из разных ресторанов. В крупномасштабной оценке, включающей 200 миллионов комбинаций кандидатов, мы показываем, что FoodNet превосходит модель на основе трансформатора на 1,3%, модель на основе сиамской сети на 13,6% и традиционную базовую линию Apriori на 18,8% с точки зрения NDCG, что является значительным улучшения в нашем масштабе. Мы также представляем качественные результаты, чтобы показать важность внимания и слоев решетки в предлагаемой архитектуре.
  2. Краткое содержание к «Учимся прогнозировать расстояние путешествия двухколесного транспорта»: оценка расстояния между двумя географическими точками является одной из основных услуг, востребованных розничными пользователями цифровых карт. Расстояние между двумя точками также является фундаментальным требованием для платформ онлайн-заказа и доставки еды, которые работают в гиперлокальных условиях. Расстояния используются в масштабе предприятия в точках принятия решений, таких как определение набора ресторанов, показываемых клиенту, назначение партнеров по доставке (DP) клиентам, выплаты DP и плата за доставку для клиентов. API-интерфейсы служб расстояния, предоставляемые сторонними поставщиками картографических услуг, часто дают неточную оценку расстояния поездки на двухколесном транспортном средстве в Индии. Исторические GPS-траектории DP, которые могут использоваться в качестве альтернативных источников оценок расстояния, также содержат шум из-за собственного шума при приеме сигнала глобальной системы позиционирования (GPS). Оценки расстояний из OpenStreetMap (OSM) также подвержены ошибкам из-за краудсорсинга карты. В этой статье мы применяем подход, основанный на машинном обучении (ML), для прогнозирования расстояния между парами местоположений путем устранения шумов источников расстояния, а именно. расстояние OSM, расстояние по траектории и расстояние сторонних карт. Устранение шумов достигается усреднением шума в неособых классах эквивалентности набора зашумленных оценок расстояния, где классы эквивалентности возникают из определения отношения «совпадения» между расстояниями. Обезшумленные оценки расстояния используются в качестве целевых переменных, а их исторические версии используются в качестве характеристик в модели случайного леса. Далее мы разрабатываем критерий применимости расстояния на основе расстояния OSM, который предлагает разумный компромисс между средней абсолютной ошибкой (MAE) и охватом модели, то есть долей DP-поездок, для которых прогноз модели используется в наших последующих системах. Предлагаемая система обеспечивает снижение MAE на 21,88% по сравнению с расстоянием OSM и снижение MAE на 47,40% по сравнению с расстоянием сторонних карт с охватом поездки 52,44%, согласно оценке на нашем внутреннем наборе данных.