JourneyFormer: Encoding Airbnb Guest Journey with Sequence Modeling
本文介绍了 JourneyFormer，这是一种部署在 Airbnb 的序列建模解决方案，旨在解决复杂的住客旅程和稀疏预订标签等生产环境中的挑战，并通过在线 A/B 测试在离线排序指标和关键业务成果方面均取得了显著提升。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
将 Airbnb 想象成一个庞大、繁忙的数字市场，数以百万计的人正在那里寻找住宿。多年来，决定优先向你展示哪些房源的系统（即“搜索排名”）就像一位读过游客完整行程记录，却只记得其摘要的图书管理员。
Airbnb 团队构建了一个名为 JourneyFormer 的新系统。请不要将其视为阅读摘要的图书管理员，而应将其视为一名侦探，能够实时观察客人的整个电影，理解其中的情节转折、停顿以及最终的决定。
以下是它的工作原理，通过简单的概念进行拆解：
1. 问题所在：“嘈杂”的旅程
当你使用 Airbnb 时，你并不只是点击“预订”。你可能会：
- 查看 50 处不同的公寓。
- 取消一次计划好的旅行。
- 为去年住过的地方留下评价。
- 因为门锁了问题而联系客服。
- 最后，预订了某个特定的地方。
旧系统试图将这一切总结为一些统计数据（例如，“此人每年预订 2 次”）。但这忽略了故事本身。一个查看了 50 家廉价青旅的人可能只是在“逛逛”，而一个查看了 3 栋豪华别墅的人则可能已经准备好购买了。旧系统无法区分“浏览”与“购买”。
2. 解决方案：“旅程”电影
JourneyFormer 将客人的历史视为一段电影序列，而非一份总结报告。它使用了一种擅长理解故事的特殊 AI 类型（称为 Transformer）。
- 长期情节：它会回顾过去 7 年的客人生活，但仅针对“重要场景”，如实际预订、取消或评价。它会忽略那些无聊的背景噪音。
- 短期情节：它会关注过去 21 天的情况，并重点关注客人现在正在点击的内容。如果你正疯狂点击夏威夷的海滨别墅，系统就会知道你很快就要去夏威夷了。
3. “智能过滤器”（事件选择）
论文指出，客人点击房源（查看）的次数远多于他们实际预订的次数。这就像是在一个社区路过 100 栋房子，但最后只买了一栋。如果 AI 试图记住每一次“路过”，它会变得混乱且缓慢。
因此，JourneyFormer 使用了一个频率过滤器：
- 稀有事件（如预订房屋或留下评价）会保留自过去 7 年的记录。
- 常见事件（如仅仅是看一眼房子）则仅保留自过去 21 天的记录。
这使得“电影”保持精简，并专注于真正重要的内容。
4. “通用翻译器”（ID 嵌入）
Airbnb 拥有数百万个房源、房东和地点。对于计算机来说，这些只是随机数字。JourneyFormer 使用“通用翻译器”（称为统一嵌入/Unified Embeddings）将这些数字转化为 AI 能理解的语言。
它还使用了一个层级地图系统（S2Cell ID）。想象一张地图，它可以从大陆层面缩放到国家、城市、街道，最后到具体的门牌号。AI 学习到，一个喜欢“旧金山”的人可能也会喜欢“使命区”（The Mission District），但他们可能不喜欢住在一条嘈ola 的街道上。这有助于 AI 理解客人想去哪里，而不只是想看什么。
5. “速度提升”（训练技巧）
对数百万个客人旅程进行训练，就像尝试在一小时内读完一座图书馆的书籍。论文描述了三个聪明的技巧来提高速度：
- 分桶（Bucketing）：与其强行把短篇故事和长篇小说放在同一个堆里，不如按长度对故事进行分组。这防止了计算机在处理短篇故事时浪费时间去填充空白空间。
- 批处理搜索（Batching Searches）：如果一个客人连续进行了三次搜索，AI 不会每次都从头开始重新计算整个旅程。它会记住之前的计算结果，并仅更新新增的部分。
- 跳过空位（Skipping the Empty Seats）：如果一批数据中存在一些“空缺”（因为某些客人的搜索次数较少），AI 会跳过这些空位而不是处理它们。
6. 结果：让每个人都有更好的旅行
团队在现实世界中测试了这个新系统（在线实验），并将其与旧系统进行了对比。
- 线下（Offline）：AI 预测客人会喜欢哪些房源的能力得到了提升（通过一个称为 NDCG 的评分来衡量）。
- 线上（Online）：当他们真正向真实用户展示这些结果时，更多的人完成了预订，且预订的总晚数也增加了。
- 电子邮件：他们还在促销邮件中测试了它。当 AI 在邮件中挑选房源时，人们点击并预订的可能性提高了 5%。
他们没有做的事情（“不要做”的事项）
论文诚实地记录了他们尝试过但拒绝采用的方法：
- 实时更新：他们曾尝试在客人每次点击时都实时更新其“电影”。虽然这让 AI 预测得更快，但实际上会让客人感到困惑，因为系统会向他们展示他们刚刚看过的房子（重定向投放）。客人想要看到的是新的选择，而不是重复看旧的。
- 过度复杂化：他们曾尝试通过增加更多的 AI 层数来让系统变得更“聪明”，但这只会让系统变得更慢、更难维护，且并未带来结果上的提升。
核心结论
JourneyFormer 是一个不再将客人视为统计数据列表，而是将其视为拥有故事的人的系统。通过观察他们的行为序列——他们看了什么、预订了什么以及取消了什么——系统可以预测他们下一步的需求，从而为客人和房东带来更成功的预订。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。