推荐系统遇上深度学习(四十四)-Airbnb实时搜索排序中的Embedding技巧

本文介绍的论文题目是：《Real-time Personalization using Embeddings for Search Ranking at Airbnb》

本文论文的下载地址为：https://dl.acm.org/authorize.cfm?key=N665520

本论文获得了2018 年 KDD ADS track 的最佳论文，主要介绍了机器学习的Embedding在 Airbnb 爱彼迎房源搜索排序和实时个性化推荐中的实践，其中很多小trick具有一定的借鉴意义，咱们一起来学习学习！

文章正式开始前先提一下，论文中出现比较多的一个词是Listing，这里我们翻译为房源。

1、背景

咱们先来了解一下Airbnb搜索推荐的一些相关背景哈。

我们先来看看Airbnb的搜索结果：

点开任意一个推荐结果：

拖到底部，还有相似房源的推荐：

Airbnb中99%的房源预订就来自于搜索结果的点击和相似房源的推荐。

但是，并不是你想预订房源，就能预订到的，还要看房东是否同意。所以，整个过程如下：

所以说，这是一个双边的推荐过程，既需要考虑用户会不会预订，也需要考虑房东会不会接受预订。

为了进行更加准确的排序，Airbnb的搜索团队建立了一个Real-time实时的个性化排序模型，既考虑用户的短时兴趣，也考虑用户的长期兴趣。短时兴趣指用户在一个session中表现出的兴趣，而长期兴趣指用户在其所有历史行为中表现出的兴趣。在模型中，其精髓就在于Embedding的过程，包括Listing Embedding、User Type Embedding 和 Listing Type Embedding。

2、Listing Embedding

对房源进行Embedding，可以建模用户的短时兴趣，也可以进行相似房源的推荐。它通过用户在Session中的点击序列训练得到，这里的session定义要注意以下两点：

1）每次点击，用户需要至少在页面上停留30s，否则被视为误点击，不进行考虑。
2）用户前后两次点击时间间隔大于30min，作为切割session的依据