JourneyFormer: Encoding Airbnb Guest Journey with Sequence Modeling
Dit artikel presenteert JourneyFormer, een oplossing voor sequentiemodellering die bij Airbnb is ingezet om productieproblemen aan te pakken zoals complexe gastenreizen en schaarse boekingslabels, wat resulteerde in significante verbeteringen in zowel offline ranking-metrieken als belangrijke zakelijke resultaten door middel van online A/B-testen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je Airbnb voor als een enorme, bruisende digitale marktplaats waar miljoenen mensen op zoek zijn naar een plek om te verblijven. Jarenlang was het systeem dat bepaalt welke woningen jij als eerste te zien krijgt (de "zoekranking") als een bibliothecaris die de volledige geschiedenis van een gast heeft gelezen, maar zich alleen de samenvatting van de reis herinnert.
Het team bij Airbnb heeft een nieuw systeem gebouwd genaamd JourneyFormer. Zie dit niet als een bibliothecaris die een samenvatting leest, maar als een detective die de hele film van de gast in realtime bekijkt en de plotwendingen, de pauzes en de uiteindelijke beslissing begrijpt.
Hier is hoe het werkt, onderverdeeld in eenvoudige concepten:
1. Het Probleem: De "Ruisende" Gastenreis
Wanneer je Airbnb gebruikt, klik je niet alleen op "Boeken". Je doet bijvoorbeeld:
- Kijkt naar 50 verschillende appartementen.
- Annuleert een geplande reis.
- Laat een beoordeling achter voor een plek waar je vorig jaar hebt gest stayd.
- Belt de klantenservice omdat een deur op slot zat.
- Boekt uiteindelijk één specifieke plek.
Het oude systeem probeerde al deze acties samen te vatten in een paar statistieken (bijv. "Deze persoon boekt 2 keer per jaar"). Maar dit miste het verhaal. Een gast die naar 50 goedkope hostels heeft gekeken, is misschien alleen aan het rondkijken, terwijl een gast die naar 3 luxe villa's heeft gekeken, klaar is om te kopen. Het oude systeem kon het verschil niet zien tussen "rondkijken" en "kopen".
2. De Oplossing: De "Reis" als Film
JourneyFormer behandelt de geschiedenis van een gast als een filmsequentie in plaats van een samenvattingsrapport. Het gebruikt een speciaal type AI (een Transformer) dat erg goed is in het begrijpen van verhalen.
- Het Lange Verhaal: Het kijkt naar de laatste 7 jaar van het leven van een gast, maar alleen naar de "belangrijke scènes" zoals daadwerkelijke boekingen, annuleringen of beoordelingen. Het negeert de saaie achtergrondruis.
- Het Korte Verhaal: Het kijkt naar de laatste 21 dagen, maar focust sterk op wat de gast op dit moment klikt. Als je koortsachtig op strandhuizen in Hawaï klikt, weet het systeem dat je waarschijnlijk snel naar Hawaï gaat.
3. De "Slimme Filter" (Event Selection)
De paper merkt op dat gasten veel vaker op woningen klikken (views) dan dat ze ze daadwerkelijk boeken. Het is alsochten langs 100 huizen loopt in een buurt, maar er slechts één koopt. Als de AI elke enkele "voorbijloop" zou proberen te onthouden, zou het in de war raken en traag worden.
Daarom gebruikt JourneyFormer een frequentiefilter:
- Zeldzame gebeurtenissen (zoals een huis boeken of een beoordeling achterlaten) worden bewaard uit de laatste 7 jaar.
- Veelvoorkomende gebeurtenissen (zoals alleen naar een huis kijken) worden alleen bewaard uit de laatste 21 dagen.
Dit houdt de "film" kort en gefocust op wat er echt toe doet.
4. De "Universele Vertaler" (ID Embeddings)
Airbnb heeft miljoenen advertenties, hosts en locaties. Voor de computer zijn dit slechts willekeurige getallen. JourneyFormer gebruikt een "Universele Vertaler" (Unified Embeddings) om deze getallen om te zetten in een taal die de AI begrijpt.
Het gebruikt ook een hiërarchisch kaartsysteem (S2Cell IDs). Stel je een kaart voor die inzoomt van het continentniveau, naar het land, naar de stad, naar de straat, en uiteindelijk naar het specifieke huisnummer. De AI leert dat een gast die van "San Francisco" houdt, misschien ook van "The Mission District" houdt, maar misschien niet van een huis in een drukke straat. Dit helpt de AI te begrijpen waar een gast wil zijn, niet alleen wat ze willen.
5. De "Snelheidsboost" (Training Tricks)
Het trainen van een AI op miljoenen gastenreizen is alsof je probeert een bibliotheek aan boeken in één uur te lezen. De paper beschrijft drie slimme trucs om dit sneller te maken:
- Bucketing: In plaats van een kort verhaal en een lange roman in dezelfde stapel te dwingen, groeperen ze verhalen op basis van lengte. Dit voorkomt dat de computer tijd verspilt aan het opvullen van korte verhalen met lege ruimte.
- Batching Searches: Als een gast drie keer achter elkaar zoekt, berekent de AI de hele reis niet telkens opnieuw vanaf nul. Het onthoudt de vorige berekening en werkt alleen het nieuwe deel bij.
- Skippen van de Lege Stoelen: Als een batch gegevens enkele "lege" plekken heeft (omdat een gast minder zoekopdrachten heeft dan een andere), slaat de AI die lege plekken over in plaats van ze te verwerken.
6. De Resultaten: Betere Reizen voor Iedereen
Het team heeft dit nieuwe systeem in de echte wereld getest (online experimenten) en vergeleken met het oude systeem.
- Offline: De AI werd beter in het voorspellen welke huizen gasten zouden leuk vinden (gemeten met een score genaamd NDCG).
- Online: Toen ze deze resultaten daadwerkelijk aan echte mensen lieten zien, boekten meer mensen reizen en werden er meer nachten geboekt.
- E-mails: Ze hebben het ook getest in promotionele e-mails. Wanneer de AI de woningen koos die in een e-mail getoond werden, waren mensen 5% eerder geneigd om te klikken en te boeken.
Wat Ze Niet Deden (De "Niet doen"-punten)
De paper is eerlijk over wat ze probeerden maar afwees:
- Realtime updates: Ze probeerden de "film" van de gast direct bij te werken telkens wanneer er een klik was. Dit maakte de AI sneller in het voorspellen, maar het maakte de gasten ook in de war door hen de huizen te tonen waar ze net naar hadden gekeken (retargeting). Gasten wilden nieuwe opties zien, niet steeds dezelfde weer.
- Te veel complexiteit: Ze probeerden de AI "slimmer" te maken door meer lagen toe te voegen, maar dat maakte het systeem alleen maar trager en moeilijker te onderhouden zonder de resultaten te verbeteren.
De Kern van het Verhaal
JourneyFormer is een systeem dat stopte met het behandelen van gasten als een lijst met statistieken en begon hen te behandelen als mensen met een verhaal. Door de volgorde van hun acties te volgen — waar ze naar keken, wat ze boekten en wat ze annuleerden — kan het systeem voorspellen wat ze als volgende nodig hebben, wat leidt tot succesvollere boekingen voor zowel gasten als hosts.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.