Fugu-MT 論文翻訳(概要): Learning to Rank for Maps at Airbnb

論文の概要: Learning to Rank for Maps at Airbnb

arxiv url: http://arxiv.org/abs/2407.00091v1
Date: Tue, 25 Jun 2024 20:49:19 GMT
ステータス: 処理完了
システム内更新日: 2024-07-07 13:34:23.956893
Title: Learning to Rank for Maps at Airbnb
Title（参考訳）: Airbnbでマップのランク付けを学ぶ
Authors: Malay Haldar, Hongwei Zhang, Kedar Bellare, Sherry Chen, Soumyadip Banerjee, Xiaotang Wang, Mustafa Abdool, Huiji Gao, Pavan Tapadia, Liwei He, Sanjeev Katariya,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 6.131988691769431
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As a two-sided marketplace, Airbnb brings together hosts who own listings for rent with prospective guests from around the globe. Results from a guest's search for listings are displayed primarily through two interfaces: (1) as a list of rectangular cards that contain on them the listing image, price, rating, and other details, referred to as list-results (2) as oval pins on a map showing the listing price, called map-results. Both these interfaces, since their inception, have used the same ranking algorithm that orders listings by their booking probabilities and selects the top listings for display. But some of the basic assumptions underlying ranking, built for a world where search results are presented as lists, simply break down for maps. This paper describes how we rebuilt ranking for maps by revising the mathematical foundations of how users interact with search results. Our iterative and experiment-driven approach led us through a path full of twists and turns, ending in a unified theory for the two interfaces. Our journey shows how assumptions taken for granted when designing machine learning algorithms may not apply equally across all user interfaces, and how they can be adapted. The net impact was one of the largest improvements in user experience for Airbnb which we discuss as a series of experimental validations.
Abstract（参考訳）: 両面のマーケットプレースとして、Airbnbは、世界中の見込み客とレンタルのリスティングを所有するホストを集めている。 1)一覧画像、価格、レーティング、その他の詳細を含む長方形のカードのリストとして、リスト-results(リスト-results)、(2)マップ-results(地図-results)と呼ばれる、リストの価格を示す地図上の楕円形のピンとして表示される。これら2つのインターフェースは、開始以来、予約確率でリストを注文し、表示のための上位リストを選択するのと同じランキングアルゴリズムを使用してきた。しかし、検索結果がリストとして表示される世界のために構築された、ランキングの基礎となるいくつかの前提は、単に地図を分解するだけである。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。反復的で実験駆動のアプローチは、ねじれと曲がりくねった経路に導いてくれました。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、すべてのユーザインターフェースに等しく適用されないこと、そしてそれらをどのように適応できるかを示しています。この影響は、実験的な検証のシリーズとして議論したAirbnbのユーザエクスペリエンスにおける最大の改善のひとつでした。

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)
Replace Scoring with Arrangement: A Contextual Set-to-Arrangement Framework for Learning-to-Rank [40.81502990315285]
ラーニング・トゥ・ランク(Learning-to-rank)は、トップNレコメンデーションタスクの中核的なテクニックであり、理想的なランク付けはアイテムからアレンジへのマッピングである。既存のソリューションのほとんどは確率的ランキング原理(PRP)のパラダイムに該当する。すなわち、まず候補セットで各項目をスコアし、次にソート操作を行い、トップランキングリストを生成する。本稿では,個別のスコアリングやソートを必要とせずに,候補項目の順列を直接生成する新しいフレームワークであるSet-To-Arrangement Ranking (STARank)を提案する。
論文参考訳（メタデータ） (2023-08-05T12:22:26Z)
Learning List-Level Domain-Invariant Representations for Ranking [59.3544317373004]
リストレベルのアライメント -- より高いレベルのリストでドメイン不変表現を学習する。利点は2つある: これは、ランク付けに縛られる最初のドメイン適応の一般化をもたらし、その結果、提案法に対する理論的支援を提供する。
論文参考訳（メタデータ） (2022-12-21T04:49:55Z)
Learning To Rank Diversely At Airbnb [5.375300856158364]
Airbnbは二面的なマーケットプレースで、家賃のリスティングを所有するホストと世界中から来場客を集めている。ニューラルネットワークベースの学習をテクニックのランク付けに適用することで、ゲストとホストのマッチングが大幅に改善された。
論文参考訳（メタデータ） (2022-09-19T22:57:10Z)
Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
論文参考訳（メタデータ） (2022-04-05T19:39:13Z)
Unpaired Referring Expression Grounding via Bidirectional Cross-Modal Matching [53.27673119360868]
表現基盤の参照はコンピュータビジョンにおいて重要かつ困難な課題である。本稿では,これらの課題に対処する新しい双方向クロスモーダルマッチング(BiCM)フレームワークを提案する。私たちのフレームワークは、2つの一般的なグラウンドデータセットで、以前の作業の6.55%と9.94%を上回っています。
論文参考訳（メタデータ） (2022-01-18T01:13:19Z)
PairRank: Online Pairwise Learning to Rank by Divide-and-Conquer [35.199462901346706]
オンラインモデルランキングのペアワイズ学習を推定することを提案する。各ラウンドにおいて、候補文書を分割して、推定された対位順に対するモデルの信頼度に応じてランク付けする。オンラインソリューションの理論的収束と期待されたランキングパフォーマンスを結びつける、誤った順序付けされたペアの数で直接定義された後悔が証明される。
論文参考訳（メタデータ） (2021-02-28T01:16:55Z)
Surprise: Result List Truncation via Extreme Value Theory [92.5817701697342]
そこで本研究では,問合せ時における可逆的・校正的関連度スコアを,ランク付けされたスコアに留まらず,統計的に生成する手法を提案する。本稿では、画像、テキスト、IRデータセット間での結果リストのトランケーションタスクにおいて、その効果を実証する。
論文参考訳（メタデータ） (2020-10-19T19:15:50Z)
Seeing the Un-Scene: Learning Amodal Semantic Maps for Room Navigation [143.6144560164782]
セマンティックマップを用いた室内ナビゲーションのための学習型アプローチを提案する。我々は、部屋の位置、大きさ、形状の信念を示すアモーダルな意味的トップダウンマップを生成するためにモデルを訓練する。次に、これらのマップを使用して、対象の部屋にある点を予測し、その点に向かうためのポリシーを訓練します。
論文参考訳（メタデータ） (2020-07-20T02:19:26Z)
Controlling Fairness and Bias in Dynamic Learning-to-Rank [31.41843594914603]
暗黙のフィードバックデータからランキング関数を学習しながら、グループフェアネスの概念を確実にする学習アルゴリズムを提案する。このアルゴリズムは、公平さと実用性の両方のために、偏見のない推定器を統合するコントローラの形をとっている。厳密な理論基盤と収束保証に加えて、アルゴリズムが極めて実用的で堅牢であることが実証的に明らかになった。
論文参考訳（メタデータ） (2020-05-29T17:57:56Z)
SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。