Uber hat sein Empfehlungssystem für den Uber-Eats-Home-Feed in zwei wesentlichen Dimensionen modernisiert. Erstens ersetzt das Team handgefertigte, statische Features durch Transformer-basiertes Sequence Modeling, das das Nutzerverhalten als zeitlich geordnete Sequenz begreift. Zweitens wurde die Feature-Freshness von bis zu 24 Stunden auf wenige Sekunden reduziert, indem Near-Real-Time-User-Sequence-Features eingeführt wurden. Der bisher eingesetzte Pointwise-Scoring-Ansatz, bei dem Restaurants unabhängig voneinander bewertet werden, wurde durch ein Listwise-Ranking-Modell (GenRec – Generative Recommender) abgelöst. Listwise-Modelle berücksichtigen den gesamten Kontext einer angezeigten Liste, was eine kohärentere und personalisierte Reihenfolge ermöglicht. Der Beitrag von Leela Kumili auf InfoQ beschreibt die Systementwicklung als schrittweise Evolution hin zu einem vollständig datengetriebenen, kontextsensitiven Ranking-Stack – ein Ansatz, der in der Recommendation-Systems-Community als Best Practice für große Plattformen gilt.