JourneyFormer: Encoding Airbnb Guest Journey with Sequence Modeling
Cet article présente JourneyFormer, une solution de modélisation de séquences déployée chez Airbnb pour répondre à des défis de production tels que la complexité des parcours clients et la rareté des étiquettes de réservation, ce qui a entraîné des améliorations significatives tant au niveau des métriques de classement hors ligne que des résultats commerciaux clés grâce à des tests A/B en ligne.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez Airbnb comme un immense et animé marché numérique où des millions de personnes cherchent un endroit où séjourner. Pendant des années, le système qui décide de vous montrer en premier certains logements (le « classement de recherche ») était comme un bibliothécaire qui aurait lu l'intégralité de l'historique d'un client, mais n'en aurait retenu que le résumé du voyage.
L'équipe d'Airbnb a construit un nouveau système appelé JourneyFormer. Voyez cela non pas comme un bibliothécaire lisant un résumé, mais comme un détective qui regarde tout le film de l'invité en temps réel, comprenant les rebondissements de l'intrigue, les pauses et la décision finale.
Voici comment cela fonctionne, décomposé en concepts simples :
1. Le Problème : Le parcours de l'invité « bruyant »
Lorsque vous utilisez Airbnb, vous ne faites pas que cliquer sur « Réserver ». Vous pouvez :
- Regarder 50 appartements différents.
- Annuler un voyage que vous aviez prévu.
- Laisser un commentaire pour un endroit où vous avez séjourné l'année dernière.
- Appeler le service client parce qu'une porte était verrouillée.
- Enfin, réserver un endroit spécifique.
L'ancien système tentait de résumer tout cela en quelques statistiques (par exemple, « Cette personne réserve 2 fois par an »). Mais cela occultait l'histoire. Un invité qui a regardé 50 auberges de jeunesse bon marché pourrait simplement être en train de faire du lèche-vitrine, tandis qu'un invité qui a regardé 3 villas de luxe est peut-être prêt à acheter. L'ancien système ne pouvait pas faire la différence entre « naviguer » et « acheter ».
2. La Solution : Le film du « Voyage »
JourneyFormer traite l'historique d'un invité comme une séquence de film plutôt que comme un rapport résumé. Il utilise un type spécial d'IA (appelé Transformer) qui est excellent pour comprendre les histoires.
- L'intrigue à long terme : Il examine les 7 dernières années de la vie d'un invité, mais ne retient que les « scènes importantes » comme les réservations réelles, les annulations ou les commentaires. Il ignore le bruit de fond ennuyeux.
- L'intrigue à court terme : Il examine les 21 derniers jours, mais se concentre intensément sur ce que l'invité clique en ce moment même. Si vous cliquez frénétiquement sur des maisons de plage à Hawaï, le système sait que vous irez probablement à Hawaï bientôt.
3. Le « Filtre Intelligent » (Sélection d'événements)
L'article note que les invités consultent des annonces (vues) beaucoup plus souvent qu'ils ne réservent réellement. C'est comme passer devant 100 maisons dans un quartier mais n'en acheter qu'une seule. Si l'IA essayait de se souvenir de chaque « passage devant la maison », elle s'embrouillerait et ralentirait.
Ainsi, JourneyFormer utilise un filtre de fréquence :
- Les événements rares (comme réserver une maison ou laisser un commentaire) sont conservés sur les 7 dernières années.
- Les événements communs (comme simplement regarder une maison) ne sont conservés que sur les 21 derniers jours.
Cela permet de garder le « film » court et concentré sur ce qui compte réellement.
4. Le « Traducteur Universel » (Embeddings d'ID)
Airbnb possède des millions d'annonces, d'hôtes et de lieux. Pour l'ordinateur, ce ne sont que des nombres aléatoires. JourneyFormer utilise un « Traducteur Universel » (appelé Unified Embeddings) pour transformer ces nombres en un langage que l'IA comprend.
Il utilise également un système de cartographie hiérarchique (S2Cell IDs). Imaginez une carte qui zoome du niveau du continent, vers le pays, la ville, le quartier, et enfin le numéro de maison spécifique. L'IA apprend qu'un invité qui aime « San Francisco » peut aussi aimer « le Mission District », mais qu'il n'aimera peut-être pas une maison dans une rue bruyante. Cela aide l'IA à comprendre où un invité veut être, et pas seulement ce qu'il veut.
5. Le « Boost de Vitesse » (Astuces d'entraînement)
Entraîner une IA sur des millions de parcours d'invités, c'est comme essayer de lire une bibliothèque de livres en une heure. L'article décrit trois astuces ingénieuses pour accélérer le processus :
- Le Compartimentage (Bucketing) : Au lieu de forcer une histoire courte et un roman long dans le même tas, ils regroupent les histoires par longueur. Cela empêche l'ordinateur de perdre du temps à combler les histoires courtes avec de l'espace vide.
- Le Traitement par lots de recherches (Batching Searches) : Si un invité effectue trois recherches consécutives, l'IA ne recalcule pas tout le parcours à partir de zéro à chaque fois. Elle se souvient du calcul précédent et met simplement à jour la nouvelle partie.
- Sauter les sièges vides : Si un lot de données contient des espaces « vides » (parce qu'un invité a moins de recherches qu'un autre), l'IA saute ces espaces vides au lieu de les traiter.
6. Les Résultats : De meilleurs voyages pour tous
L'équipe a testé ce nouveau système dans le monde réel (expériences en ligne) et l'a comparé à l'ancien système.
- Hors ligne (Offline) : L'IA est devenue meilleure pour deviner les maisons que les invités aimeraient (mesuré par un score appelé NDCG).
- En ligne (Online) : Lorsqu'ils ont réellement présenté ces résultats à de vraies personnes, plus de personnes ont réservé des voyages, et plus de nuitées ont été réservées.
- E-mails : Ils ont également testé cela dans des e-mails promotionnels. Lorsque l'IA choisissait les maisons à montrer dans un e-mail, les gens étaient 5 % plus susceptibles de cliquer et de réserver.
Ce qu'ils n'ont pas fait (Les « Ne pas faire »)
L'article est honnête sur ce qu'ils ont essayé mais ont rejeté :
- Mises à jour en temps réel : Ils ont essayé de mettre à jour le « film » de l'invité instantanément à chaque clic. Cela rendait l'IA plus rapide pour deviner, mais cela a réellement confondu les clients en leur montant les mêmes maisons qu'ils venaient de regarder (retargeting). Les clients voulaient voir de nouvelles options, pas les mêmes à nouveau.
- Complexité excessive : Ils ont essayé de rendre l'IA plus « intelligente » en ajoutant plus de couches, mais cela a simplement rendu le système plus lent et plus difficile à maintenir sans améliorer les résultats.
L'essentiel
JourneyFormer est un système qui a cessé de traiter les invités comme une liste de statistiques pour commencer à les traiter comme des personnes ayant une histoire. En observant la séquence de leurs actions — ce qu'ils ont regardé, ce qu'ils ont réservé et ce qu'ils ont annulé — le système peut prédire ce dont ils ont besoin ensuite, menant à des réservations plus réussies pour les invités et les hôtes.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.