如何提升网约车用户体验？南大&滴滴提出复合弱监督学习方法，AUC提升5%以上

正文

请到「今天看啥」查看全文

本文基于滴滴智能司乘评价的实际业务场景，展示复合弱监督学习的必要性和实际效用。

具体而言，业务背景情况如下：随着移动互联网颠覆性变革，网约车不断发展普及，已进入人们日常生活。滴滴作为领先的一站式移动出行平台，深刻影响着人们的出行和生活方式。为尽可能地提升用户体验、建设良好的司乘生态，网约车智能司乘评价体系起着至关重要的作用，需兼顾乘客体验、司机接单公平性与平台效能。

在智能评价体系中，每个乘客乘车结束后手机端都会收到一个推荐的评价问题，如“司机是否绕路?”。如果该回答能够很好的反映出此次行程的不足，那将有助于平台对司机进行教育，以提高用户的体验。借助机器学习来进行评价问题推荐就是智能评价体系的主要目标。

然而，这其中存在两个严重影响机器学习性能的数据问题，

一是数据存在严重的标记噪声，因为评价结果往往受到乘客主观因素的影响，导致收集到的标记不准确，同时也存在着大量误操作和乘客随意评价的情况；

二是数据标记分布存在偏差，即训练数据中差评与好评数据的标记分布和真实线上环境的标记分布存在明显的差距。

围绕这类实际数据问题，需要发展复合弱监督学习技术。 本文提出的复合弱监督学习技术明显优于单纯弱监督学习技术，可将AUC性能提升5%以上。

技术方案

本文技术方案采取一种基于双层优化的新框架。具体而言，针对标记噪声问题，我们对样本进行赋权，其目的是希望能够对噪声样本赋予较低的权重，从而减少其对模型性能的影响，目标函数如下所示：

请到「今天看啥」查看全文