【复盘】低频高决策场景下，推荐系统的“反直觉”设计：以民宿搜索为例

在低频、高客单价、极度非标的搜索推荐场景中，传统电商与内容信息流的算法经验往往失灵。以民宿行业为例，用户决策周期长、行为高度稀疏，且房源本身缺乏统一标准，这使得推荐系统需要从“相关匹配”转向“启发式探索”。以下基于国内头部民宿平台的实战复盘，拆解其中的关键难题与解决方案。

1. 场景的“反直觉”特征

该平台日均搜索请求达数亿次，看似数据充裕，但算法落地时却面临两大核心挑战：

• 决策周期长，行为稀疏
  ：用户通常一年仅出游2-3次，下单前却会在1-2周内反复搜索、浏览、比对。传统协同过滤几乎失效——历史行为间隔太久，偏好漂移严重；

• 房源极度非标
  ：房东上传的图片、描述质量参差不齐，无法像标品一样做标准化特征工程。

核心矛盾：用户输入“胡同里的院子”时，往往并不清楚具体想要什么，系统需要在实时意图捕获与信息茧房打破之间取得平衡。

2. 召回层：从“相关”到“启发”

传统关键词匹配或向量召回易陷入信息茧房。为此，团队设计了探索式召回：

• 在实时追踪用户意图的同时，引入一定比例的“非直接相关但高互动率”的房源；
• 该策略使长尾房源的曝光量提升15%，并意外带动客单价上涨——用户更容易被“种草”超出预期的房源。

：在低频场景中，探索式召回的关键在于控制“无关”比例，避免过度偏离用户原始意图。可通过A/B测试动态调整阈值。

3. 精排层：多目标优化的解耦

点击率、转化率、客单价、GMV等目标互相拉扯。传统硬参数共享与MMOE（多门控专家混合）在本场景中因业务周期性（周末、节假日、季节）导致“跷跷板”效应。解决方案是动态任务权重：

• 根据用户距离出行日期的远近来调整转化率与客单价的权重；
• 近期出行用户：加大转化率权重；
• 提前规划用户：更偏向客单价与体验感。

该改动使整体转化率个位数上涨，同时旺季客单价未明显下跌。

：如何确定动态权重的具体函数？
答：通过历史数据拟合用户出行日期分布，结合在线学习框架，每批次自动调整权重参数。

4. 重排与冷启动：新房源与房东扶持

民宿行业的新房源与小微房东冷启动是普遍难题。团队除常规内容理解外，还尝试了基于房东信誉度的图模型：

• 若新房源由高信誉度房东发布，且描述、设施与城市热门房源存在相似“基因”，则在重排阶段给予短暂的流量暴增窗口期；
• 窗口期后迅速根据后验数据（点击率、转化率、用户评价等）决定继续扶持或降级。

该策略有效缓解了冷启动的“死循环”问题，同时防止低质量房源滥用流量。

5. 技术栈与团队思考

团队主力框架为TensorFlow/PyTorch混用，线上模型部署于自研推理引擎，支持实时更新。核心原则是：算法工程师需懂全链路——特征抽取延迟、在线打分一致性校验等细节直接影响用户体感，比单纯刷SOTA更重要。

：在低频高决策场景中，推荐系统的离线指标（如AUC）与线上效果存在较大偏差，建议加强在线A/B测试与实时监控。

团队位于北京海淀，基础月薪30-50K（16薪），年薪约50-80W，五险一金实缴。要求统招本科以上，3年以上互联网算法经验，具备推荐系统实际落地项目经历，熟悉主流深度学习框架（Python/Ja va），有搜索/广告/推荐方向背景者优先。如果你对低频高决策的推荐场景有独到见解，或认为上述解法可优化，欢迎交流。