Burger King使用RayOnSpark进行基于实时情景特征的快餐食品推荐使用

主题摘要

在快餐推荐的场景下，用户实时的点餐行为和各种情景特征（比如时间、天气和位置等）都是能够被用来做合适推荐的重要因素。在Burger King，我们开发了一个全新的Transformer Cross Transformer (TxT)推荐模型，用多个 Transformer编码器来提取用户点单行为和复杂的情景特征，并通过点积的方法将Transformer的输出组合在一起以生成推荐。线上A/B测试结果表明TxT模型不仅比现有的其他推荐模型取得了更好的效果，同时该模型也能被成功地应用到其他推荐场景中。
此外，我们利用 Analytics Zoo提供的RayOnSpark功能，使用 Ray, Apache Spark和 Apache MXNet 构建了一个完整的端到端的推荐系统。它将数据处理（使用 Spark ）和分布式训练（使用 MXNet 和 Ray ）集成到一个统一的数据分析和 AI 流水线中，并直接运行在存储数据的同一个大数据集群上。我们已经在 Burger King成功部署了这套推荐系统，并且已经在生产环境中取得了卓越的成果。

本次分享将给大家介绍TxT推荐模型以及在大数据平台上构建端到端推荐系统的实践经验。

讲师姓名：王路洋&黄凯

讲师简介：

王路洋，Burger King机器学习团队的高级技术经理。负责管理公司大数据平台，开发实时用户推荐系统以及其他机器学习相关的微服务。

黄凯，Intel大数据团队软件工程师。负责开发基于Apache Spark的数据分析和AI平台，同时支持企业客户在大数据平台上构建端到端的深度学习应用。他是大数据和AI开源项目Analytics Zoo和BigDL的核心贡献者之一。

合作社区

白玉兰开源