A Multi-Source Ensemble Approach to Candidate Generation for Alternative Vacation Rental Property Recommendations
Dit artikel presenteert een multi-source ensemble-aanpak voor de generatie van kandidaten voor vakantiewoningen die item-gebaseerde collaborative filtering combineert met graph neural networks om de recall en de kwaliteit van downstream ranking aanzienlijk te verbeteren door effectief uitdagingen zoals heterogene inventaris, geografische beperkingen en cold-start scenario's aan te pakken.
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
In de uitgestrekte digitale marktplaats van reizen voelt het vinden van de perfecte plek om te verblijven vaak als het zoeken naar een speld in een hooiberg. Wanneer een reiziger naar een specifieke vakantiewoning kijkt, is het de taak van het systeem om andere vergelijkbare woningen voor te stellen die net zo goed aan hun behoeften kunnen voldoen. Dit proces rust op een tweestapsdans van ontdekking en selectie. Eerst moet de computer snel een grote, diverse groep potentiële matches ophalen uit een catalogus die miljoenen woningen bevat. Deze eerste stap wordt kandidaatgeneratie genoemd. Het is een filterfase die ontworpen is om een breed net uit te werpen, om ervoor te zorgen dat geen goede optie achterblijft simpelweg omdat deze nieuw is of weinig beoordelingen heeft. Zodra deze groep is verzameld, rangschikt een tweede, zorgzamiger systeem deze om de allerbeste opties aan de gebruiker te tonen. De uitdaging voor reisplatforms is dat vakantiewoningen niet uniform zijn zoals hotelkamers; ze zijn uniek, verspreid over verschillende wijken en veranderen per minuut qua beschikbaarheid. Dit maakt het voor computers moeilijk om te weten welke woningen werkelijk vergelijkbaar zijn zonder in de war te raken door populariteit of het missen van verborgen pareltjes.
Onderzoekers bij Expedia Group zetten zich in om dit probleem op te lossen door een nieuwe manier te testen om die initiële pool van suggesties op te bouen. Ze werkten met een enorm platform dat meer dan twee miljoen actieve vakantiewoningen huisvest, variërend van kleine stadappartementen tot grote villa's aan het strand. Hun doel was om te verbeteren hoe het systeem alternatieve woningen vindt voor een reiziger die een specifieke advertentie bekijkt. Ze vergeleken drie verschillende methoden voor deze taak. De eerste was een traditionele aanpak die kijkt naar welke woningen vaak door dezelfde groepen mensen worden bekeken. De tweede gebruikte een simpelere methode die leert van patronen in hoe eigendommen samen verschijnen in zoeksessies. De derde, en meest complexe, metheld gebruikte een type kunstmatige intelligentie die bekend staat als een graph neural network. Dit geavanceerde systeem brengt de relaties tussen gebruikers, eigendommen en hun kenmerken in kaart, waardoor het verbindingen kan begrijpen die niet direct voor de hand liggen, zoals hoe een huis met een specifieke set voorzieningen dezelfde soort reiziger kan aanspreken als een totaal ander uitziende woning.
Het team ontdekte dat geen enkele methode op zichzelf perfect was. De traditionele aanpak was uitstekend in het vinden van de meest voor de hand liggende, populaire alternatieven, maar had moeite met nieuwe woningen die nog niet door veel mensen waren bekeken. De simpelere, op patronen gebaseerde methode was snel, maar miste vaak de diepere, meer genuanceerde overeenkomsten tussen woningen. Het op grafen gebaseerde systeem blonk echter uit in het vinden van diverse, minder voor de hand liggende matches en kon slimme suggesties doen voor gloednieuwe advertenties die een gebrek hadden aan een geschiedenis van gebruikersinteracties. De doorbraak kwam toen de onderzoekers de sterke punten van de traditionele methode en het op grafen gebaseerde systeem combineerden in één enkele hybride motor. Door de traditionele methode de populaire, bekende woningen te laten afhandelen terwijl het grafensysteem op zoek ging naar het unieke en het nieuwe, creëerden ze een veel sterkere lijst met kandidaten.
De resultaten van deze combinatie waren aanzienlijk. Toen de onderzoekers hun nieuwe hybride systeem testten tegenover hun beste bestaande opstelling, ontdekten ze dat het succesvol een veel hoger percentage van de juiste alternatieve woningen ophaalde. Specifiek verbeterde het nieuwe systeem zijn vermogen om relevante opties te vinden met bijna vijftien procent wanneer er naar een lijst van driehonderd suggesties werd gekeken. Deze verbetering ging niet alleen over het vinden van meer matches; het ging over het vinden van het juiste soort matches dat het oude systeem had gemist. Het op grafen gebaseerde deel van het systeem was bijzonder effectief in het ontsluieren van alternatieven die niet alleen populair waren, maar ook werkelijk geschikt voor de specifieke behoeften van de reiziger, zelfs als die woningen nog nooit eerder waren geboekt. Dit suggereert dat door een systeem te gebruiken dat kan leren van zowel gebruikersgedrag als de fysieke kenmerken van de woningen, platforms een veel rijkere en nuttigere ervaring kunnen bieden.
Cruciaal was ook dat de studie keek naar wat er gebeurde nadat deze kandidaten waren gegenereerd. Een veelvoorkomende zorg bij dergelijke systemen is dat het vinden van meer goede opties aan het begin niet noodzakelijkerwijs leidt tot betere eindresultaten voor de gebruiker. De onderzoekers ontdekten dat een sterkere, meer diverse pool van kandidaten inderdaad leidde tot betere uiteindelijke rangschikkingen. Wanneer het systeem over een betere lijst beschikte om uit te kiezen, was de kans groter dat de uiteindelijke aanbevelingen zouden resulteren in een boeking. De auteurs merkten echter op dat deze verbinding complex is. Het verbeteren van de initiële lijst vereist vaak het aanpassen van het uiteindelijke rankingsysteem om goed te werken met de nieuwe soorten suggesties. Het is geen eenvoudige plug-and-play oplossing; de twee delen van het systeem moeten samenwerken.
Dit werk benadrukt een verschuiving in hoe reis aanbevelingen gebouwd kunnen worden. In plaats van te vertrouwen op een enkele methode om te raden wat een reiziger wil, stelt het combineren van verschillende benaderingen het systeem in staat om het volledige plaatje te zien. Het kan de populariteit van een woning herkennen en tegelijkertijd de unieke details begrijpen die het bijzonder maken. Voor de miljoenen reizigers die vakantiewoningwebsites doorzoeken, betekent dit dat het systeem beter in staat is om een woning voor te stellen die goed voelt, of het nu een beroemde villa aan het strand is of een rustig, nieuw vermeld huisje dat nog door niemand is gezien. De studie bevestigt dat door gebruik te maken van geavanceerd leren om de relaties tussen woningen en mensen te begrijpen, reisplatforms verder kunnen gaan dan eenvoudige populariteitswedstrijden en werkelijk gepersonaliseerde alternatieven kunnen bieden.
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.