Uber обновил рекомендации в Uber Eats: реальное ранжирование и скорые сигналы в Home Feed

Uber развернул обновлённую систему рекомендаций для ленты Uber Eats Home Feed и других поверхностей открытия ресторанов: теперь платформа принимает сигналы почти в реальном времени и применяет listwise‑ранжирование, чтобы оперативнее менять порядок карточек в интерфейсе. Изменение важно тем, что сокращает задержку между действием пользователя (клик, запрос поиска, история заказов) и откликом системы, позволяя адаптировать рекомендации внутри одной сессии и повышать релевантность найденных заведений. Технически пакетные пайплайны были дополнены слоем обработки почти в реальном времени, который непрерывно принимает пользовательские взаимодействия — клики, поисковые запросы и историю заказов — и поддерживает актуальное представление о поведении. Это уменьшает устаревание признаков и сокращает время между изменением пользовательского поведения и изменением рекомендаций, что должно повысить качество обнаружения и восприятие ленты при активном просмотре.

Модельный стек тоже эволюционировал: команда перешла от ручных статистических признаков к transformer‑панельному sequence‑моделированию и подходу Generative Recommender, а оценка кандидатов сместилась от точечного (pointwise) скоринга к listwise‑ранжированию, где группа кандидатов оценивается в одном выводе. Инженер Yicheng Chen отметил, что удалось «выросить от hand‑crafted признаков к transformer‑моделям и сократить свежесть фич с 24 часов до секунд». Такой переход меняет природу предсказаний — модель учитывает последовательности и контекст, а не только отдельные признаки карточек.

Listwise‑ранжирование позволяет оптимизировать относительный порядок внутри набора вариантов, а не выставлять независимую оценку каждому ресторану; это даёт прямое сравнение кандидатов в общем контексте и, по словам команды, повышает как качество ранжирования, так и вычислительную эффективность. Практический эффект для пользователя — рекомендации учитывают взаимную конкуренцию карточек в ленте, а не просто независимую релевантность каждого заведения. Инженерные меры направлены на снижение рассинхрона между обучением и продакшеном: логика извлечения признаков унифицирована между оффлайн‑обучением и онлайн‑сервисингом, а для генерации тренировочных данных используется воспроизведение исторических сессий (replay), моделирующее продакшен‑условия. Инфраструктура разделяет обязанности: upstream‑сервисы собирают и агрегируют признаки под высокую нагрузку, а слой сервинга сосредоточен на низколатентном ранжировании.

По словам продуктовой команды, цель — уравновесить реальное намерение пользователя, разнообразие мерчант‑экосистемы и сложные оптимизационные цели, чтобы сделать открытие еды более бесшовным.