Uber nâng cấp hệ thống gợi ý nhà hàng với tín hiệu thời gian thực và xếp hạng danh sách

Uber nâng cấp hệ thống gợi ý nhà hàng với tín hiệu thời gian thực và xếp hạng danh sách

Uber đã giới thiệu các bản cập nhật quan trọng cho hệ thống gợi ý của Uber Eats, tích hợp các tín hiệu người dùng thời gian thực và phương pháp xếp hạng danh sách (listwise ranking) để cải thiện khả năng khám phá nhà hàng. Hệ thống mới được thiết kế để phản ánh chính xác hơn ý định của người dùng trong các phiên hoạt động, đồng thời nâng cao hiệu quả xếp hạng giữa các nhà hàng ứng viên. Giải pháp này đã được triển khai trên nền tảng Uber Eats để hỗ trợ nguồn cấp dữ liệu trang chủ và các mặt hàng khám phá.

Kiến trúc nền tảng cá nhân hóa mới của Uber

Chuyển đổi sang xử lý tín hiệu thời gian thực

Kiến trúc cập nhật thay thế các đường ống tính năng theo lô (batch-oriented) cũ bằng một lớp xử lý tín hiệu thời gian thực. Lớp này liên tục tiếp nhận các tương tác của người dùng như nhấp chuột, tìm kiếm và lịch sử đặt hàng để duy trì một biểu hiện hành vi người dùng luôn mới nhất. Bằng cách chuyển sang cập nhật tính năng gần thời gian thực, hệ thống giảm độ trễ giữa hành động của người dùng và kết quả cá nhân hóa, cho phép các gợi ý thích ứng nhanh hơn với những thay đổi trong sở thích trong cùng một phiên sử dụng.

Brinda Panchal, nhân viên Sản phẩm tại Uber, đã mô tả mục tiêu rộng lớn hơn của hệ thống:

Cá nhân hóa một thị trường ở quy mô này không chỉ là việc hiển thị 'đồ ăn ngon' — mà là cân bằng giữa ý định thời gian thực, hệ sinh thái người bán đa dạng và các mục tiêu xếp hạng phức tạp để tạo ra trải nghiệm khám phá liền mạch.

Tối ưu hóa với xếp hạng danh sách

Ngăn xếp gợi ý của Uber cũng kết hợp kỹ thuật xếp hạng danh sách, nơi nhiều nhà hàng ứng viên được đánh giá cùng nhau trong một bước suy luận duy nhất thay vì chấm điểm từng cái riêng lẻ. Cách tiếp cận này cho phép mô hình tối ưu hóa thứ tự tương đối giữa một tập hợp các tùy chọn, thay vì gán điểm số độc lập cho mỗi nhà hàng. Theo Uber, điều này cải thiện cả hiệu quả tính toán và chất lượng xếp hạng bằng cách cho phép so sánh trực tiếp giữa các ứng viên trong cùng một ngữ cảnh.

/filters:no_upscale()/news/2026/05/uber-eats-ranking-system/en/resources/1Screenshot 2026-05-17 at 10.24.38 AM-1779039608382.png)

Hệ thống được xây dựng dựa trên biểu hiện thống nhất của hành vi người dùng, kết hợp hoạt động phiên ngắn hạn với các tín hiệu lịch sử dài hạn. Các tín hiệu này được xử lý thông qua một lớp trích xuất tính năng chia sẻ, đảm bảo tính nhất quán giữa đào tạo ngoại tuyến và phục vụ trực tuyến. Dữ liệu đào tạo được tạo ra bằng cách phát lại các phiên người dùng lịch sử để mô phỏng môi trường sản xuất, giúp giảm thiểu sự khác biệt giữa đào tạo mô hình và suy luận trực tiếp.

Sự tiến hóa từ thống kê sang Transformer

Một thiết kế chính là sự liên kết giữa các đường ống đào tạo và phục vụ. Uber áp dụng cùng một logic trích xuất tính năng trong cả hai môi trường để giảm sự trôi dạt tính năng và duy trì tính nhất quán. Cách tiếp cận này giúp đảm bảo rằng các mô hình được đào tạo trên dữ liệu lịch sử sẽ hoạt động tương tự khi được triển khai trong sản xuất.

Yicheng Chen, Kỹ sư tại Uber, đã làm nổi bật sự tiến hóa kỹ thuật của hệ thống:

Tận dụng các tính năng chuỗi người dùng gần thời gian thực và mô hình kiểu Generative Recommender để hỗ trợ các gợi ý trên Trang chủ Uber Eats, chúng tôi đã phát triển xếp hạng trang chủ từ các tính năng thống kê thủ công sang mô hình hóa chuỗi dựa trên Transformer, cắt giảm độ mới của tính năng từ 24 giờ xuống còn vài giây.

Về mặt cơ sở hạ tầng, hệ thống được thiết kế để xử lý các ràng buộc độ trễ thấp đặc trưng của các bề mặt gợi ý hướng tới người tiêu dùng. Tiền xử lý tính năng và suy luận mô hình được tách riêng để cải thiện hiệu quả và khả năng mở rộng dưới lưu lượng truy cập cao. Điều này cho phép lớp phục vụ tập trung vào xếp hạng trong khi các dịch vụ thượng nguồn quản lý tính toán và tổng hợp tính năng.