
Uber Eats optimiert Restaurant-Ranking mit Echtzeit-Signalen und Listwise GenRec
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.
- Feature-Freshness von 24 Stunden auf Sekunden reduziert durch Near-Real-Time-User-Sequence-Features
- Transformer-basiertes Sequence Modeling ersetzt handgefertigte Feature-Engineering-Pipelines
- Wechsel von Pointwise-Scoring zu Listwise-Ranking via Generative Recommender (GenRec)
- Ziel: verbesserte kontextuelle Personalisierung des Uber Eats Home Feeds
- Beitrag verfasst von Leela Kumili, veröffentlicht auf InfoQ AI/ML
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- FORSCHUNGarxiv.org1w
Pinterest setzt RL-Framework PRL-PUTS für personalisiertes Utility-Tuning ein
- FORSCHUNGarxiv.org0mo
TimeMM: Zeitbasiertes Spektralfiltering für dynamische multimodale Empfehlungssysteme
- FORSCHUNGarxiv.org2w
RRCM: Ranking-gesteuertes Retrieval für LLM-Empfehlungssysteme
- FORSCHUNGarxiv.org3w
InvariRank: Positions-invariantes LLM-Reranking in einem Forward Pass

Uber Eats optimiert Restaurant-Ranking mit Echtzeit-Signalen und Listwise GenRec
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.
- Feature-Freshness von 24 Stunden auf Sekunden reduziert durch Near-Real-Time-User-Sequence-Features
- Transformer-basiertes Sequence Modeling ersetzt handgefertigte Feature-Engineering-Pipelines
- Wechsel von Pointwise-Scoring zu Listwise-Ranking via Generative Recommender (GenRec)
- Ziel: verbesserte kontextuelle Personalisierung des Uber Eats Home Feeds
- Beitrag verfasst von Leela Kumili, veröffentlicht auf InfoQ AI/ML
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- FORSCHUNGarxiv.org1w
Pinterest setzt RL-Framework PRL-PUTS für personalisiertes Utility-Tuning ein
- FORSCHUNGarxiv.org0mo
TimeMM: Zeitbasiertes Spektralfiltering für dynamische multimodale Empfehlungssysteme
- FORSCHUNGarxiv.org2w
RRCM: Ranking-gesteuertes Retrieval für LLM-Empfehlungssysteme
- FORSCHUNGarxiv.org3w
InvariRank: Positions-invariantes LLM-Reranking in einem Forward Pass