JourneyFormer: Encoding Airbnb Guest Journey with Sequence Modeling
本論文では、複雑なゲストのジャーニーや疎な予約ラベルといったプロダクション上の課題に対処するためにAirbnbに導入されたシーケンスモデリングソリューションであるJourneyFormerを紹介し、オンラインA/Bテストを通じて、オフラインのランキング指標と主要なビジネス成果の両方において大幅な改善をもたらしたことを示す。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
Airbnbを、何百万人もの人々が宿泊先を探している、巨大で活気あるデジタルマーケットプレイスとして想像してみてください。長年、どの家を優先的に表示するかを決めるシステム（「検索ランキング」）は、ゲストの全履歴を読んではいるものの、その旅の「要約」しか覚えていない司書のようなものでした。
Airbnbのチームは、JourneyFormerと呼ばれる新しいシステムを構築しました。これは、単に要約を読む司書ではなく、ゲストの映画の全編をリアルタイムで観察し、プロットの急展開や、間（ま）、そして最終決定までをも理解する探偵のようなものです。
仕組みを、シンプルな概念に分解して説明します：
1. 問題点：「ノイズ」の多いゲストのジャーニー
あなたがAirbnbを利用するとき、単に「予約」ボタンを押すだけではありません。例えば次のような行動をとります：
- 50軒もの異なるアパートメントを閲覧する。
- 計画していた旅行をキャンセルする。
এটি - 昨年宿泊した場所に対してレビューを残す。
- ドアが開かないなどの理由でカスタマーサービスに電話する。
- そして、最終的に特定の場所を予約する。
旧システムは、これらすべてをいくつかの統計（例：「この人は年に2回予約する」など）に要約しようとしていました。しかし、これでは「ストーリー」を見落としてしまいます。50軒の格安ホステルを見たゲストは、ただウィンドウショッピングをしているだけかもしれませんが、3軒の高級ヴィラを見たゲストは、今まさに購入しようとしているのかもしれません。旧システムには、「閲覧」と「購入」の違いを判別することができませんでした。
2. 解決策：「ジャーニー（旅路）」という映画
JourneyFormerは、ゲストの履歴を「要約レポート」ではなく、一つの**映画のシーケンス（連続した場面）**として扱います。このシステムは、物語を理解することに長けた特殊なAI（Transformerと呼ばれます）を使用しています。
- 長期的なプロット（長期的な筋書き）： ゲストの過去7年間の人生を見ますが、実際の予約、キャンセル、レビューといった「重要なシーン」のみに焦点を当てます。退屈な背景ノイズは無視します。
- 短期的なプロット（短期的な筋書き）： 直近21日間に焦点を当て、ゲストが「今まさに」何をクリックしているかを重視します。もしあなたがハワイのビーチハウスを夢中でクリックしていれば、システムはあなたが近いうちにハワイへ行く可能性が高いことを察知します。
3. 「スマートフィルター」（イベント選択）
論文では、ゲストは実際に予約するよりも、リスティング（物件）を閲覧（ビュー）する回数の方が圧倒的に多いと指摘しています。それは、近所の家を100軒通り過ぎても、買うのは1軒だけという状況に似ています。もしAIがすべての「通り過ぎただけの行動」を記憶しようとすれば、混乱し、動作が遅くなってしまいます。
そこで、JourneyFormerは頻度フィルターを使用します：
- 稀なイベント（家を予約したり、レビューを残したりすること）は、過去7年間の履歴から保持されます。
- 一般的なイベント（単に家を見ること）は、直近21日間のものだけが保持されます。
これにより、「映画」を短く、かつ重要なものに絞り込みます。
4. 「万能翻訳機」（IDエンベディング）
Airbnbには、数百万のリスティング、ホスト、そしてロケーションが存在します。コンピュータにとって、これらは単なるランダムな数字に過ぎません。JourneyFormerは、「ユニファイド・エンベディング（統合埋め込み）」と呼ばれる万能翻訳機を使用して、これらの数字をAIが理解できる言語へと変換します。
また、**階層的なマップシステム（S2Cell ID）**も使用しています。これは、大陸レベルから国、都市、地区、そして最終的には特定の番地にまでズームインしていく地図を想像してください。AIは、あるゲストが「サンフランシスコ」を好むなら「ミッション・ディストリクト」も好む可能性がある一方で、騒がしい通りの家は好まないかもしれない、といったことを学習します。これにより、AIはゲストが「何を」したいかだけでなく、「どこに」いたいのかを理解できるようになります。
5. 「スピードアップ」（トレーニングのテクニック）
何百万ものゲストのジャーニーを学習させることは、図書館にある本を1時間で読もうとするようなものです。論文では、これを高速化するための3つの巧妙なテクニックが説明されています：
- バケツ分け（Bucketing）： 短い物語と長い小説を同じ箱に無理やり詰め込むのではなく、長さごとにグループ分けします。これにより、短い物語に空のスペースを埋めるための無駄な処理を行うことがなくなります。
- 検索のバッチ処理（Batching Searches）： ゲストが3回連続で検索を行った場合、AIは毎回ジャーニー全体を最初から計算し直すことはしません。前の計算結果を記憶し、新しい部分だけを更新します。
- 空席のスキップ（Skipping the Empty Seats）： データセットの中に（ゲストによって検索数が異なるため）「空き」がある場合、AIはその空いた箇所を処理せずにスキップします。
6. 結果：すべての人にとってより良い旅を
チームは、この新システムを実世界の環境（オンライン実験）でテストし、旧システムと比較しました。
- オフライン： AIは、ゲストがどの家を好むかを予測する精度が向上しました（NDCGと呼ばれるスコアで測定）。
- オンライン： 実際にこれらの結果をユーザーに提示したところ、より多くの人が旅行を予約し、より多くの宿泊数（宿泊数）が記録されました。
- メール： プロモーションメールにおいてもテストが行われました。AIがメールの中で表示する物件を選んだ場合、人々がクリックして予約に至る確率は5%向上しました。
「やってはいなかったこと」（Do Not's）
論文では、試みたものの採用を見送った内容についても正直に述べています：
- リアルタイム更新： ゲストがクリックするたびに、ゲストの「映画（ジャーニー）」を即座に更新しようと試みました。これにより、予測の精度は上がりましたが、実際にはゲストを混乱させてしまいました。なぜなら、さっき見たばかりの家を再び表示してしまう（リターゲティング）ことになったからです。ゲストは、同じものを何度も見るのではなく、新しい選択肢を見たいと考えていました。
- 過度な複雑化： AIにさらに多くのレイヤーを追加して「より賢く」しようとも試みましたが、結果を改善することなく、システムを遅くし、メンテナンスを困難にするだけでした。
まとめ
JourneyFormerは、ゲストを単なる統計のリストとして扱うのをやめ、ストーリーを持つ「人間」として扱い始めたシステムです。彼らの行動のシーケンス（順序）――何を見て、何を予約し、何をキャンセルしたか――を観察することで、システムは次に何が必要かを予測できます。これが、ゲストとホストの両方にとって、より成功しやすい予約へとつながっています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。