【Papernotes】Improving Deep Learning for Airbnb Search

论文地址: ACM (https://dl.acm.org/doi/abs/10.1145/3394486.3403333)

1. 写在前面

许多观众和影评人会对某个导演的电影情有独钟，即使他们曾经拍过烂片，观众待他们依然如初恋，比如拍出了《阳光灿烂的日子》的姜文。

对于 Airbnb 的论文，我也抱有同样的感情。何况从 KDD'18 的最佳论文，到这两年他们将深度学习应用于搜索实践的两篇论文，篇篇佳作，字字珠玑。

本文是 Airbnb 发表于 KDD'20 的论文，是前一篇《Applying Deep Learning to Airbnb Search》的续作，讲述了他们在搜索排序模型迭代方面的尝试。第二节写得尤其好，为科学炼丹做出了良好示范！

本文，我们以论文的第二节为范本，来看看他们是如何做数据分析、如何做模型迭代的。保证原汁原味！（全文约3500字，阅读时长约 20 分钟）

前两篇论文的笔记在这里，诸位同道不妨先看一看，特别是一脉相承的《Applying Deep Learning to Airbnb Search》：

【Papernotes】(KDD'19)  Applying Deep Learning to Airbnb Search

【Papernotes】(KDD'18) Real-time Personalization using Embeddings for Search Ranking at Airbnb

2. 模型优化

在正式开始之前，我们先来看一下他们的基线模型，一个双隐层的神经网络：

1. 输入的特征是房源（listing）的基本特征，如价格、历史预订数等，以及一些类别特征的 embeddings；

2. 两个隐藏层分别是 127 维、83 维的全连接层，使用 ReLU 作为激活函数。

这是他们上一个工作1的结论之一：加深模型对于 CNN 这样的模型是有效的优化手段，但是对于他们的场景（搜索排序），模型容量并不是问题，两个隐藏层已经足够了。

既然加深网络不是模型迭代的方向，他们开始尝试一些专用的网络架构，比如 Deep&Wide2、基于注意力机制的网络3等等。但是都失败了。

这里，他们失败的教训与洞见是：特定深度模型的成功应用，与具体业务、产品是高度绑定的。简单的拿来主义——只看到一个模型的成功，却看不到它解决了基线模型的哪些痛点——是危险的。深度学习欠解释的特点，使得理解一个模型究竟解决什么困难、又是如何解决的，变得更加困难。这又使得深度模型的迁移应用变得更加困难。

于是，他们放弃了论文驱动的模型迭代方式（下载论文->复现模型->A/B测试），坚持第一性原理，从用户第一的核心价值观出发，对模型进行迭代优化。

所谓用户第一的模型迭代方式，就是发现并量化用户的问题，以解决用户的问题为目标&#x