JourneyFormer: Encoding Airbnb Guest Journey with Sequence Modeling
Dieses Paper präsentiert JourneyFormer, eine bei Airbnb eingesetzte Lösung zur Sequenzmodellierung, die darauf abzielt, Produktionsherausforderungen wie komplexe Gäste-Journeys und spärliche Buchungslabels zu adressieren, was durch Online-A/B-Tests zu signifikanten Verbesserungen sowohl bei den Offline-Ranking-Metriken als auch bei zentralen Geschäftsergebnissen führte.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich Airbnb als einen riesigen, geschäftigen digitalen Marktplatz vor, auf dem Millionen von Menschen nach Unterkünften suchen. Jahrelang war das System, das entscheidet, welche Unterkünfte Ihnen zuerst angezeigt werden (das „Search Ranking“), wie ein Bibliothekar, der die gesamte Geschichte eines Gastes gelesen hat, sich aber nur an die Zusammenfassung seiner Reise erinnert.
Das Team bei Airbnb hat ein neues System namens JourneyFormer entwickelt. Betrachten Sie dies nicht als einen Bibliothekar, der eine Zusammenfassung lift, sondern als einen Detektiv, der den gesamten Film eines Gastes in Echtzeit beobachtet und dabei die Wendungen der Handlung, die Pausen und die endgültige Entscheidung versteht.
So funktioniert es, unterteilt in einfache Konzepte:
1. Das Problem: Die „verrauschte“ Reise des Gastes
Wenn Sie Airbnb nutzen, klicken Sie nicht einfach nur auf „Buchen“. Sie könnten:
- 50 verschiedene Apartments ansehen.
- Eine geplante Reise absagen.
- Eine Bewertung für eine Unterkunft hinterlassen, in der Sie letztes Jahr übernachtet haben.
- Den Kundenservice anrufen, weil eine Tür verschlossen war.
- Schließlich eine ganz bestimmte Unterkunft buchen.
Das alte System versuchte, all dies in ein paar Statistiken zusammenzufassen (z. B. „Diese Person bucht 2 Mal pro Jahr“). Aber das verpasste die Geschichte. Ein Gast, der 50 billige Hostels angesehen hat, schaut vielleicht nur aus Neugier; während ein Gast, der 3 Luxusvillen angesehen hat, bereit zum Kauf sein könnte. Das alte System konnte nicht zwischen „Stöbern“ und „Kaufen“ unterscheiden.
2. Die Lösung: Der „Reise“-Film
JourneyFormer behandelt die Historie eines Gastes wie eine Filmsequenz und nicht wie einen Zusammenfassungsbericht. Es verwendet eine spezielle Art von KI (einen sogenannten Transformer), die hervorragend darin ist, Geschichten zu verstehen.
- Die langfristige Handlung: Es betrachtet die letzten 7 Jahre im Leben eines Gastes, konzentriert sich aber nur auf die „wichtigen Szenen“, wie tatsächliche Buchungen, Stornierungen oder Bewertungen. Das langweilige Hintergrundrauschen wird ignoriert.
- Die kurzfristige Handlung: Es betrachtet die letzten 21 Tage und legt den Fokus stark darauf, was der Gast gerade jetzt anklickt. Wenn Sie hektisch nach Strandhäusern in Hawaii suchen, weiß das System, dass Sie wahrscheinlich bald nach Hawaii reisen werden.
3. Der „Intelligente Filter“ (Event Selection)
Das Paper stellt fest, dass Gäste sich viel öfter auf Unterkünfte klicken (Views), als sie tatsächlich buchen. Es ist wie das Vorbeigehen an 100 Häusern in einer Nachbarschaft, von denen man aber nur eines kauft. Wenn die KI versuchen würde, jeden einzelnen „Vorbeigehen“-Moment zu speichern, würde sie verwirrt und langsam werden.
Daher nutzt JourneyFormer einen Frequenzfilter:
- Seltene Ereignisse (wie das Buchen eines Hauses oder das Hinterlassen einer Bewertung) werden aus den letzten 7 Jahren beibehalten.
- Häufige Ereignisse (wie das bloße Ansehen eines Hauses) werden nur aus den letzten 21 Tagen beibehalten.
Dies hält den „Film“ kurz und fokussiert auf das, was tatsächlich wichtig ist.
4. Der „Universelle Übersetzer“ (ID Embeddings)
Airbnb hat Millionen von Unterkünften, Gastgebern und Standorten. Für den Computer sind dies nur zufällige Zahlen. JourneyFormer verwendet einen „Universellen Übersetzer“ (genannt Unified Embeddings), um diese Zahlen in eine Sprache zu verwandeln, die die KI versteht.
Es verwendet auch ein hierarchisches Kartensystem (S2Cell IDs). Stellen Sie sich eine Karte vor, die vom Kontinenten-Niveau über das Land und die Stadt bis hin zum Stadtviertel und schließlich zur spezifischen Hausnummer heranzoomt. Die KI lernt, dass ein Gast, der „San Francisco“ mag, vielleicht auch „The Mission District“ mag, aber vielleicht kein Haus in einer lauten Straße bevorzugt. Dies hilft der KI zu verstehen, wo ein Gast sein möchte, nicht nur was er möchte.
5. Der „Geschwindigkeits-Boost“ (Training Tricks)
Das Training einer KI mit Millionen von Gästereisen ist wie der Versuch, eine ganze Bibliothek an Büchern innerhalb einer Stunde zu lesen. Das Paper beschreibt drei kluge Tricks, um dies schneller zu machen:
- Bucketing: Anstatt eine Kurzgeschichte und einen langen Roman in denselben Stapel zu werfen, gruppieren sie Geschichten nach ihrer Länge. Dies verhindert, dass der Computer Zeit damit verschwendet, kurze Geschichten mit leerem Raum aufzufüllen.
- Batching von Suchen: Wenn ein Gast dreimal hintereinander sucht, berechnet die KI die gesamte Reise nicht jedes Mal von Grund auf neu. Sie merkt sich die vorherige Berechnung und aktualisiert nur den neuen Teil.
- Überspringen leerer Plätze: Wenn ein Batch von Daten einige „leere“ Stellen aufweist (weil ein Gast weniger Suchen hatte als ein anderer), überspringt die KI diese leeren Stellen, anstatt sie zu verarbeiten.
6. Die Ergebnisse: Bessere Reisen für alle
Das Team hat dieses neue System in der realen Welt getestet (Online-Experimente) und mit dem alten System verglichen.
- Offline: Die KI wurde besser darin, vorherzusagen, welche Häuser den Gästen gefallen würden (gemessen an einem Score namens NDCG).
- Online: Als sie diese Ergebnisse tatsächlich echten Menschen zeigten, wurden mehr Reisen gebucht und mehr Übernachtungen verbucht.
- E-Mails: Sie haben es auch in Werbe-E-Mails getestet. Wenn die KI die Häuser auswählte, die in einer E-Mail gezeigt wurden, klickten Menschen um 5 % häufiger und buchten mehr.
Was sie nicht getan haben (Die „Don'ts“)
Das Paper ist ehrlich über Dinge, die sie versucht, aber abgelehnt haben:
- Echtzeit-Updates: Sie versuchten, den „Film“ des Gastes jedes Mal sofort zu aktualisieren, wenn er etwas anklickte. Das machte die KI zwar schneller bei der Vorhersage, verwirrte die Gäste aber auch, indem es ihnen dieselben Häuser zeigte, die sie gerade erst angesehen hatten (Retargeting). Gäste wollten neue Optionen sehen, nicht dieselben wiederholt.
- Zu viel Komplexität: Sie versuchten, die KI „schlauer“ zu machen, indem sie mehr Ebenen hinzufügten, aber das machte das System lediglich langsamer und schwerer zu warten, ohne die Ergebnisse zu verbessern.
Das Fazit
JourneyFormer ist ein System, das aufgehört hat, Gäste als eine Liste von Statistiken zu behandeln, und stattdessen angefangen hat, sie als Menschen mit einer Geschichte zu betrachten. Indem es die Sequenz ihrer Handlungen beobachtet – was sie angesehen haben, was sie gebucht und was sie storniert haben – kann das System vorhersagen, was sie als Nächstes brauchen, was zu erfolgreicheren Buchungen für Gäste und Gastgeber führt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.