本文介绍了Airbnb如何利用embedding技术捕捉用户的短期和长期兴趣进行实时个性化推荐。通过分析用户的搜索和点击行为session，学习到的向量用于优化搜索排序。短期兴趣通过booked和exploratory sessions的滑动窗口模型学习，长期兴趣则基于订购行为。评估方法包括地理位置和价格的区分度以及余弦相似度排序。最后，讨论了在稀疏场景下采用分群策略以及为何使用余弦相似度来衡量向量的相关性。
前言
Airbnb在2018年KDD的best-paper，关于向量化如何在民宿订购平台里的实时推荐实践的，写得非常实在。
业务特点
Aribnb他们具有非常鲜明的业务特点，是短租市场，且是个双向市场，既要优化商家又要优化租客，用户有非常强烈的搜索目标倾向。
短期兴趣
从哪里学短期兴趣？
用户的一连串搜索及点击浏览行为中[session]，蕴含着其最终目标booking[订购]，为了能够表达这种非常具有实效和前后关系的行为，对session内的item向量化建模。建模思路是word2vec的skip-gram方式[中心词预测周围词]，但是用book行为做全局上下文，并且针对业务特点增加了同类型负采样。
怎么学短期兴趣？
将带有book的session作为Booked Sessions，将没有
最低0.47元/天 解锁文章
扫一扫
1245
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
