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:
![4155986-a1facb273d9b07d0.png](https://i-blog.csdnimg.cn/blog_migrate/eecb1ed3deb059ea2947320228abff1f.webp?x-image-process=image/format,png)
点开任意一个推荐结果:
![4155986-808b3a393b77042e.png](https://i-blog.csdnimg.cn/blog_migrate/e4e71d79bd3bec2cbf926a95c1e19fa5.webp?x-image-process=image/format,png)
拖到底部,还有相似房源的推荐:
![4155986-4d9f7be975212078.png](https://i-blog.csdnimg.cn/blog_migrate/21e02b9f3be89416dc686c151bcde584.webp?x-image-process=image/format,png)
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:
![4155986-9fb99f234039131c.png](https://i-blog.csdnimg.cn/blog_migrate/20f23ab51e6574d19ae62bf8b33c1437.webp?x-image-process=image/format,png)
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