微信号:ai-front

介绍:面向AI爱好者、开发者和科学家,提供最新最全AI领域技术资讯、一线业界实践案例、搜罗整理业界技术分享干货、最新AI论文解读。每周一节技术分享公开课,助力你全面拥抱人工智能技术。

结合机器学习与生物医学技术,寻找Uber司机出行模式

2017-12-27 18:47 2018倒计时

作者|Qing Feng,Peter
译者|CarolGuo
编辑|Emily
AI 前线导读:机器学习在 Uber 改善应用程序的用户体验方面发挥着核心作用。鉴于 Uber 业务的规模和范围,我们经常需要创造性地思考如何设计这些系统。譬如,在开发合作伙伴活动矩阵(Partner Activity Matrix,一种基于总体使用趋势的个性化司机体验的新工具)时,我们从基因组可视化的生物医学技术(基因组双聚类)中找到了灵感。

更多干货内容请关注微信公众号“AI 前线”,(ID:ai-front)

通过使用双聚类,我们可以通过表达每个司机伙伴选择的出行时间来可视化司机伙伴模式,例如,一个司机可能更喜欢工作日出行并在中间休息一天;另一个司机可能更喜欢周末晚上出行,这样可把其他时间留给自己的工作;而再另一个司机可能更倾向于平日下午(当他们的孩子还在学校时)。驾驶出行模式有着无限的可能,所以,以紧凑而丰富的方式来描述这种多样性并考虑到所有司机的偏好有助于我们改进 Uber 的体验。

本文中介绍了我们的合作伙伴活动矩阵,它结合双聚类和机器学习来更好地了解应用程序中司机体验的多样性,帮助我们根据他们的偏好量身定制产品。

Uber 合作伙伴活动矩阵简介

可视化这些模式的一种方法就是通过“合作伙伴基因表达矩阵”,更准确地说,它是一个合作伙伴活动矩阵。在基因组里,基因表达被表示为矩阵,每一行代表一个基因,而每一列对应一个个体。合作伙伴活动矩阵就是受到这种表示法的启发,其中,矩阵中的每一列对应一周中的一分钟,而每一行对应于一个司机伙伴,每一个单元格的值表示该伙伴在线(1)或离线(0)。下图 1 显示了某个城市一周内的合作伙伴活动矩阵,其中白色部分表示在线时间,黑色部分表示离线时间。