論文の概要: Optimizing Airbnb Search Journey with Multi-task Learning

• arxiv url: http://arxiv.org/abs/2305.18431v1
• Date: Sun, 28 May 2023 23:25:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 21:14:24.798253
• Title: Optimizing Airbnb Search Journey with Multi-task Learning
• Title（参考訳）: マルチタスク学習によるAirbnb検索ジャーニーの最適化
• Authors: Chun How Tan, Austin Chan, Malay Haldar, Jie Tang, Xin Liu, Mustafa Abdool, Huiji Gao, Liwei He, Sanjeev Katariya
• Abstract要約: Airbnb検索ランキングの課題に対処する、新しいマルチタスクディープラーニングモデルアーキテクチャであるJourney Rankerを紹介します。 Journey Rankerは、中級ゲストアクションを、肯定的かつ否定的なマイルストーンとして活用し、ゲストをよりうまく予約に進める。 また、ゲスト状態や検索クエリなどのコンテキスト情報を使用して、ゲストとホストの好みのバランスを取る。
• 参考スコア（独自算出の注目度）: 12.365018195685263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: At Airbnb, an online marketplace for stays and experiences, guests often spend weeks exploring and comparing multiple items before making a final reservation request. Each reservation request may then potentially be rejected or cancelled by the host prior to check-in. The long and exploratory nature of the search journey, as well as the need to balance both guest and host preferences, present unique challenges for Airbnb search ranking. In this paper, we present Journey Ranker, a new multi-task deep learning model architecture that addresses these challenges. Journey Ranker leverages intermediate guest actions as milestones, both positive and negative, to better progress the guest towards a successful booking. It also uses contextual information such as guest state and search query to balance guest and host preferences. Its modular and extensible design, consisting of four modules with clear separation of concerns, allows for easy application to use cases beyond the Airbnb search ranking context. We conducted offline and online testing of the Journey Ranker and successfully deployed it in production to four different Airbnb products with significant business metrics improvements.
• Abstract（参考訳）: 宿泊や体験のためのオンラインマーケットプレイスであるairbnbでは、宿泊客は予約リクエストが終わるまで数週間かけて複数のアイテムを探索し比較する。 各予約要求は、チェックイン前にホストによって拒否またはキャンセルされる可能性がある。 検索の旅路の長くて探索的な性質と、ゲストとホストの好みのバランスをとる必要性は、airbnbの検索ランキングにユニークな課題をもたらす。 本稿では、これらの課題に対処する、新しいマルチタスクディープラーニングモデルアーキテクチャである journey ranker について述べる。 journey rankerは、中間のゲストアクションをポジティブとネガティブの両方のマイルストーンとして活用し、ゲストの予約を成功に導く。 また、ゲスト状態や検索クエリなどのコンテキスト情報を使用して、ゲストとホストの好みのバランスをとる。 モジュールで拡張可能な設計で、懸念を明確に分離した4つのモジュールで構成されており、Airbnbの検索ランキングコンテキストを超えたケースを簡単に使用できる。 Journey Rankerのオフラインおよびオンラインテストを実施して、4つのAirbnb製品に本番環境でのデプロイに成功した。

関連論文リスト

• Transforming Location Retrieval at Airbnb: A Journey from Heuristics to Reinforcement Learning [15.048068346096027]
  本稿では,機械学習に基づく位置情報検索プロダクトをゼロから構築する手法,課題,およびその影響について述べる。 適切な機械学習ベースのアプローチが欠如しているにもかかわらず、コールドスタート、一般化、微分、アルゴリズムバイアスに取り組む。
  論文  参考訳（メタデータ） (2024-08-23T22:51:14Z)
• Learning to Rank for Maps at Airbnb [6.131988691769431]
  本稿では,ユーザが検索結果とどのように相互作用するかの数学的基礎を改訂することにより,地図のランキングを再構築する方法について述べる。 私たちの旅は、機械学習アルゴリズムを設計する際の当然の仮定が、すべてのユーザーインターフェイスに等しく適用されないことを示している。
  論文  参考訳（メタデータ） (2024-06-25T20:49:19Z)
• SEABO: A Simple Search-Based Method for Offline Imitation Learning [57.2723889718596]
  オフライン強化学習(RL)は、静的なオフラインデータセットから学習できることから、多くの注目を集めている。 本稿では,SEABOをタグ付けした単純な検索に基づくオフラインIL手法を提案する。 この結果から,SEABOは1つの専門的軌道のみを考慮し,実効性を持つオフラインRLアルゴリズムに競合する性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-06T08:48:01Z)
• Predicting Listing Prices In Dynamic Short Term Rental Markets Using Machine Learning Models [0.0]
  私たちは、機械学習モデリングアプローチを用いてAirbnbレンタルの価格を予測することを目指している。 本研究の目的は、テキサス州オースチンでAirbnbの賃貸価格を予測するための正確な機械学習モデルを構築することである。 プロジェクトの第2の目的は、Airbnbのレンタル価格を駆動する重要な要因を特定し、これらの要因が場所や資産タイプによってどのように異なるかを調べることです。
  論文  参考訳（メタデータ） (2023-08-14T04:15:09Z)
• Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
  本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。 新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。 また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
  論文  参考訳（メタデータ） (2022-02-01T06:52:40Z)
• Joint Passage Ranking for Diverse Multi-Answer Retrieval [56.43443577137929]
  質問に対する複数の異なる回答をカバーするために、パスの取得を必要とする探索不足の問題であるマルチアンサー検索について検討する。 モデルが別の有効な答えを逃す費用で同じ答えを含む通路を繰り返すべきではないので、このタスクは、検索された通路の共同モデリングを必要とします。 本稿では,再順位に着目したジョイントパス検索モデルであるJPRを紹介する。 回収された通路の合同確率をモデル化するために、JPRは、新しい訓練および復号アルゴリズムを備えた通路のシーケンスを選択する自動回帰リタイナを利用する。
  論文  参考訳（メタデータ） (2021-04-17T04:48:36Z)
• BeBold: Exploration Beyond the Boundary of Explored Regions [66.88415950549556]
  本稿では,本質的報酬(IR)の簡便かつ効果的な基準として,逆訪問回数の規制的差異を提案する。 この基準は、エージェントが探索された地域の境界を越えて探索し、短視力や分離などのカウントベースの方法の一般的な問題を緩和するのに役立ちます。 その結果得られたBeBoldは、MiniGridの12の最も難しい手続き的タスクを、カリキュラムの学習なしにわずか120万の環境ステップで解決する。
  論文  参考訳（メタデータ） (2020-12-15T21:26:54Z)
• Answering Any-hop Open-domain Questions with Iterative Document Reranking [62.76025579681472]
  オープンドメインの問に答える統合QAフレームワークを提案する。 提案手法は,シングルホップおよびマルチホップのオープンドメインQAデータセットにおいて,最先端技術に匹敵する性能を継続的に達成する。
  論文  参考訳（メタデータ） (2020-09-16T04:31:38Z)
• Mining Implicit Relevance Feedback from User Behavior for Web Question Answering [92.45607094299181]
  本研究は,ユーザ行動と通過関連性との関連性を検討するための最初の研究である。 提案手法は,追加のラベル付きデータを使わずにパスランキングの精度を大幅に向上させる。 実際にこの研究は、グローバルな商用検索エンジンにおけるQAサービスの人為的ラベリングコストを大幅に削減する効果が証明されている。
  論文  参考訳（メタデータ） (2020-06-13T07:02:08Z)
• Managing Diversity in Airbnb Search [5.622316540895161]
  Airbnb検索の多様性の問題に対処するための私たちの旅について説明する。 製品の観点からは、さまざまな結果を示すことで、より多くの選択肢が提供され、より良いエクスペリエンスが得られます。 我々は、リカレントニューラルネットワーク(RNN)を活用して、クエリコンテキスト全体の埋め込みを生成する、新しいディープラーニングソリューションで結論付ける。
  論文  参考訳（メタデータ） (2020-03-31T20:54:45Z)
• Understanding the Impact of Customer Reviews on Hotel Rating: An Empirical Research [0.0]
  ホテルのレビューサイトは、訪問者が訪れたホテルの体験、レビュー、提案を共有するための有名なステージになった。 ヨーロッパでは、ホテル事業は国内で最も重要な金融発展の1つとなっている。 この試験の背景にある動機は、客の全般的な傾きに応じて要素の範囲を理解し、認識することであり、また顧客の欲求の度合いを決定するためのレビューを通じて追加される可能性がある。
  論文  参考訳（メタデータ） (2020-02-13T04:36:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。