🤖 machine learning

A Multi-Source Ensemble Approach to Candidate Generation for Alternative Vacation Rental Property Recommendations

Este artigo apresenta uma abordagem de conjunto de múltiplas fontes para a geração de candidatos de aluguel de temporada que combina filtragem colaborativa baseada em itens com redes neurais de grafos para melhorar significativamente o recall e a qualidade do ranking subsequente, ao abordar de forma eficaz desafios como inventário heterogêneo, restrições geográficas e cenários de cold-start.

Autores originais: Syed Mohammed Arshad Zaidi, Eric Rincon, Shayan Hassantabar

Publicado 2026-09-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Syed Mohammed Arshad Zaidi, Eric Rincon, Shayan Hassantabar

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No vasto mercado digital de viagens, encontrar o lugar perfeito para se hospedar muitas vezes parece como procurar uma agulha em um palheiro. Quando um viajante observa um aluguel de temporada específico, o trabalho do sistema é sugerir outras casas semelhantes que possam atender às suas necessidades tão bem quanto aquela. Esse processo depende de uma dança de duas etapas: descoberta e seleção. Primeiro, o computador deve extrair rapidamente um grupo grande e diversificado de correspondências potenciais de um catálogo contendo milhões de propriedades. Esta etapa inicial é chamada de geração de candidatos. É uma fase de filtragem projetada para lançar uma rede ampla, garantindo que nenhuma boa opção seja deixada para trás simplesmente por ser nova ou ter poucas avaliações. Uma vez reunido esse grupo, um segundo sistema, mais cuidadoso, os classifica para mostrar as melhores opções ao usuário. O desafio para as plataformas de viagem é que os aluguéis de temporada não são uniformes como os quartos de hotel; eles são únicos, espalhados por diferentes bairros e mudam sua disponibilidade a cada minuto. Isso torna difícil para os computadores saberem quais casas são verdadeiramente semelhantes sem se confundirem com a popularidade ou perderem joias escondidas.

Pesquisadores do Expedia Group buscaram resolver esse problema testando uma nova maneira de construir esse grupo inicial de sugestões. Eles trabalharam com uma plataforma massiva que hospeda mais de dois milhões de propriedades de aluguel de temporada ativas, variando de pequenos apartamentos urbanos a grandes vilas de praia. O objetivo deles era melhorar como o sistema encontra casas alternativas para um viajante que visualiza um anúncio específico. Eles compararam três métodos diferentes para essa tarefa. O primeiro foi uma abordagem tradicional que observa quais casas são visualizadas frequentemente pelos mesmos grupos de pessoas. O segundo usou um método mais simples que aprende com padrões de como as propriedades aparecem juntas em sessões de busca. O terceiro, e mais complexo, método utilizou um tipo de inteligência artificial conhecido como rede neural de grafos. Este sistema avançado mapeia as relações entre usuários, propriedades e suas características, permitindo entender conexões que não são imediatamente óbvias, como o modo como uma casa com um conjunto específico de comodidades pode atrair o mesmo tipo de viajante que uma casa completamente diferente.

A equipe descobriu que nenhum método sozinho era perfeito. A abordagem tradicional era excelente para encontrar as alternativas mais óbvias e populares, mas tinha dificuldade com propriedades novas que ainda não haviam sido visualizadas por muitas pessoas. O método baseado em padrões, mais simples, era rápido, mas frequentemente perdia as semelhanças mais profundas e sutis entre as casas. O sistema baseado em grafos, no entanto, destacou-se ao encontrar correspondências diversas e menos óbvias, além de conseguir fazer sugestões inteligentes para listagens novíssimas que careciam de um histórico de interações de usuários. O avanço veio quando os pesquisadores combinaram as forças do método tradicional e do sistema baseado em grafos em um único motor híbrido. Ao deixar o método tradicional lidar com as casas populares e conhecidas, enquanto o sistema de grafos caçava o único e o novo, eles criaram uma lista de candidatos muito mais forte.

Os resultados dessa combinação foram significisativos. Quando os pesquisadores testaram seu novo sistema híbrido contra sua melhor configuração existente, descobriram que ele recuperou com sucesso uma porcentagem muito maior de casas alternativas corretas. Especificamente, o novo sistema melhorou sua capacidade de encontrar opções relevantes em quase quinze por cento ao analisar uma lista de trezentas sugestões. Essa melhoria não foi apenas sobre encontrar mais correspondências; foi sobre encontrar o tipo certo de correspondências que o sistema antigo havia perdido. A parte baseada em grafos do sistema foi particularmente eficaz em descobrir alternativas que não eram apenas populares, mas genuinamente adequadas para as necessidades específicas do viajante, mesmo que essas casas nunca tivessem sido reservadas antes. Isso sugere que, ao usar um sistema que pode aprender tanto com o comportamento do usuário quanto com as características físicas das propriedades, as plataformas podem oferecer uma experiência muito mais rica e útil.

Crucialmente, o estudo também observou o que acontecia depois que esses candidatos eram gerados. Uma preocupação comum em tais sistemas é que encontrar mais boas opções no início não leva necessariamente a melhores resultados finais para o usuário. Os pesquisadores descobriram que um grupo de candidatos mais forte e diversificado de fato levou a classificações finais melhores. Quando o sistema tinha uma lista melhor para escolher, as recomendações finais tinham maior probabilidade de resultar em uma reserva. No entanto, os autores observaram que essa conexão é complexa. Melhorar a lista inicial geralmente exige ajustar o sistema de classificação final para que funcione bem com os novos tipos de sugestões. Não é uma correção simples de "conectar e usar"; as duas partes do sistema devem trabalhar juntas.

Este trabalho destaca uma mudança na forma como as recomendações de viagem podem ser construídas. Em vez de depender de um único método para adivinhar o que um viajante deseja, combinar diferentes abordagens permite que o sistema veja o quadro completo. Ele pode reconhecer a popularidade de uma casa e, ao mesmo tempo, entender os detalhes únicos que a tornam especial. Para os milhões de viajantes que navegam em sites de aluguel de temporada, isso significa que o sistema está melhor equipado para sugerir uma casa que pareça certa, seja uma famosa villa à beira-mar ou uma cabana tranquila e recém-listada que ninguém viu ainda. O estudo confirma que, ao usar o aprendizado avançado para entender as relações entre propriedades e pessoas, as plataformas de viagem podem ir além de simples concursos de popularidade e oferecer alternativas verdadeiramente personalizadas.

Resumo Técnico: Uma Abordagem de Ensemble Multi-Fonte para Geração de Candidatos para Recomendações de Propriedades de Aluguel de Férias Alternativas

Definição do Problema
O artigo aborda o desafio de gerar candidatos alternativos de alta qualidade para propriedades de aluguel de férias dentro de um sistema de recomendação de dois estágios. Diferente das recomendações tradicionais de hotéis, os marketplaces de aluguel de férias enfrentam restrições únicas: inventário altamente heterogêneo (de estúdios a vilas), dependências geográficas rigorosas ligadas à intenção do usuário, disponibilidade que muda rapidamente e uma distribuição de cauda longa de propriedades. Um problema crítico é o problema do "cold-start" (início a frio), onde propriedades recém-incorporadas carecem de histórico de interação. O objetivo é recuperar um conjunto diversificado de propriedades alternativas relevantes ( $P_1, \dots, P_K$ ) para um usuário visualizando uma propriedade de referência ( $P_{ref}$ ) que satisfaçam restrições geográficas, de atributos e de disponibilidade, enquanto superam as limitações de métodos de recuperação de fonte única (ex: viés de popularidade em filtragem colaborativa ou similaridade simétrica em embeddings rasos).

Metodologia
Os autores propõem uma arquitetura híbrida multi-fonte para Geração de Candidatos (CG) que combina os pontos fortes da Filtragem Colaborativa Baseada em Item (IBKNN) e Redes Neurais de Grafos (GNN).

Recuperação Baseada em GNN:
- Construção do Grafo: O sistema modela a tarefa de recomendação como predição de links em um grafo heterogêneo contendo cinco tipos de nós: propriedades de referência (LHS), propriedades candidatas (RHS), usuários, interações e rótulos de verdade fundamental (ground truth).
- Aprendizado Assimétrico: As propriedades são divididas em nós LHS (consulta) e RHS (alvo) para aprender relações direcionais ("A é uma alternativa a B" não implica que "B é uma alternativa a A").
- Integração de Atributos: A GNN agrega atributos ricos de propriedades (estruturais, localização, política, qualidade e 62 indicadores de comodidades) via passagem de mensagens. Isso permite que o modelo incorpore propriedades com histórico de interação esparso (cold-start) em regiões sensatas do espaço de candidatos.
- Treinamento: O modelo é treinado para prever pares de alternativas validadas derivadas de conversões de reserva em uma janela de 7 dias à frente. Ele utiliza amostragem de vizinhança (combinando vizinhos de rótulos supervisionados e vizinhos de interação comportamental) e gera dual embeddings (LHS e RHS) para similaridade de produto escalar assimétrica.
Recuperação IBKNN:
- Utiliza similaridade de Jaccard na sobreposição de audiência de usuários para identificar propriedades visualizadas por conjuntos de usuários similares.
- É potencializada com um "boost de comodidades" que pondera a similaridade com base no número de comodidades correspondentes, ajustado por um escore de confiança para evitar a sobreponderação de correspondências em propriedades com poucas comodidades.
Ensemble e Pós-processamento:
- Fusão: Os candidatos da IBKNN e da GNN são fundidos usando fusão de rank-normalizado máximo. Os escores são convertidos em postos percentis invertidos dentro de cada fonte, e o rank máximo é retido para candidatos que aparecem em múltiplas fontes.
- Regras de Negócio: Restrições rígidas (disponibilidade, geografia, capacidade, qualidade) são aplicadas antes da fusão.
- Re-ranking Leve: Um ranker LightGBM reordena os candidatos fundidos usando escores de recuperação por fonte, atributos da propriedade e atributos de par (excluindo o escore agregado fundido para evitar vazamento de sinal).
- Ranking Final: Os principais candidatos são passados para uma rede neural de multi-tarefa (Re-ranker Final) para apresentação final.

Principais Contribuições

Arquitetura Híbrida: O artigo demonstra que combinar IBKNN (forte em recall inicial para itens populares) com GNN (forte em recall tardio para itens diversos, não óbvios e cold-start) produz performance superior.
Avaliação Sistemática de Métodos de CG: Fornece uma análise comparativa de Filtragem Colaborativa (IBKNN), embeddings rasos (Hotel2Vec) e GNNs, mostrando que as GNNs superam significativamente os embeddings rasos.
Análise do Gap de Recall-Conversão: O estudo investiga como melhorias na geração de candidatos se traduzem em qualidade de ranking downstream, destacando a complexidade de atribuir ganhos de ponta a ponta devido ao acoplamento entre recuperação e treinamento do ranker.

Resultados Experimentais
Experimentos foram conduzidos em uma plataforma de larga escala com mais de 2 milhões de propriedades ativas, utilizando uma divisão temporal de treino/teste (março–maio de 2025 para treinamento, junho de 2025 para teste).

GNN vs. Baselines de Embedding: A abordagem baseada em GNN alcançou uma melhoria relativa de 48–68% em Recall@K em relação ao baseline Hotel2Vec em todos os valores de $K$ , com os maiores ganhos observados em $K$ de médio alcance (ex: Recall@50, Recall@100).
Performance Híbrida: O sistema híbrido proposto (IBKNN + GNN) melhorou o Recall@300 em 14,8% em comparação com o baseline mais forte (IBKNN + Hotel2Vec).
- A melhoria foi marginal no recall inicial (Recall@10: +1,3%) mas substancial no recall tardio (Recall@300: +14,8%), confirmando a natureza complementar das fontes.
- O NDCG@K também melhorou, embora de forma menos dramática (+6,6% em K=300), indicando que a GNN expande a cobertura nos ranks médios a tardios em vez de reordenar os itens do topo.
Impacto Downstream: O pool de candidatos híbrido resultou em um maior Booking NDCG@5 (0,365 vs. 0,345 para o baseline) quando o ranker foi retreinado no novo pool.

Significância e Alegações
O artigo afirma que um pool de candidatos mais forte contribui diretamente para uma maior qualidade de ranking downstream, mas nota modestamente que atribuir esse ganho de forma limpa é complicado pelo "gap de recall-conversão". Especificamente, como o ranker é retreinado na nova distribuição de candidatos, o melhoria observada é um efeito combinado da composição do pool e da adaptação do ranker, não apenas do método de recuperação.

Os autores enfatizam que:

Complementaridade é a Chave: Nenhum algoritmo único captura todos os aspectos do comportamento do usuário; a abordagem híbrida garante uma cobertura mais ampla de todo o inventário.
Mitigação de Cold-Start: As GNNs lidam efetivamente com cenários de cold-start ao alavancar atributos explícitos de propriedades, uma limitação de métodos puramente comportamentais como IBKNN e Hotel2Vec.
Implicação Prática: Profissionais que implementam novos métodos de recuperação devem considerar o acoplamento entre a geração de candidatos e o treinamento do ranker. Uma substituição direta ("drop-in") de uma fonte de recuperação pode não gerar ganhos imediatos de ponta a ponta sem a co-adaptação da etapa de ranking.

O estudo conclui que, embora a abordagem híbrida melhore significativamente as métricas de recall offline, trabalhos futuros são necessários para isolar variáveis (ex: fusão fixa, ranker fixo) e realizar testes A/B online para confirmar ganhos de conversão voltados ao usuário.

Mais como este