論文の概要: Transforming Location Retrieval at Airbnb: A Journey from Heuristics to Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2408.13399v1
• Date: Fri, 23 Aug 2024 22:51:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 19:39:20.447951
• Title: Transforming Location Retrieval at Airbnb: A Journey from Heuristics to Reinforcement Learning
• Title（参考訳）: Airbnbにおけるロケーション検索の転換 - ヒューリスティックスから強化学習への旅
• Authors: Dillon Davis, Huiji Gao, Weiwei Guo, Thomas Legrand, Malay Haldar, Alex Deng, Han Zhao, Liwei He, Sanjeev Katariya,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.048068346096027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Airbnb search system grapples with many unique challenges as it continues to evolve. We oversee a marketplace that is nuanced by geography, diversity of homes, and guests with a variety of preferences. Crafting an efficient search system that can accommodate diverse guest needs, while showcasing relevant homes lies at the heart of Airbnb's success. Airbnb search has many challenges that parallel other recommendation and search systems but it has a unique information retrieval problem, upstream of ranking, called location retrieval. It requires defining a topological map area that is relevant to the searched query for homes listing retrieval. The purpose of this paper is to demonstrate the methodology, challenges, and impact of building a machine learning based location retrieval product from the ground up. Despite the lack of suitable, prevalent machine learning based approaches, we tackle cold start, generalization, differentiation and algorithmic bias. We detail the efficacy of heuristics, statistics, machine learning, and reinforcement learning approaches to solve these challenges, particularly for systems that are often unexplored by current literature.
• Abstract（参考訳）: Airbnbの検索システムは、進化を続けるにつれて、多くのユニークな課題を抱えている。 我々は、地理、家庭の多様性、そして様々な好みを持つゲストによってニュアンスされた市場を監督する。 多様なゲストニーズに対応可能な効率的な検索システムを構築する一方で、関連する住宅を展示することはAirbnbの成功の核心にある。 Airbnbの検索には、他のレコメンデーションや検索システムと並行して、多くの課題がある。 住宅一覧検索の検索クエリに関連するトポロジカルマップ領域を定義する必要がある。 本研究の目的は,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際の方法論,課題,および影響を実証することである。 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。 我々はこれらの課題を解決するためのヒューリスティックス、統計学、機械学習、強化学習アプローチの有効性について詳述する。

関連論文リスト

• A Survey of Generative Search and Recommendation in the Era of Large Language Models [125.26354486027408]
  ジェネレーティブ検索(検索)とレコメンデーションは、マッチング問題をジェネレーティブな方法で解決することを目的としている。 超知能生成型大規模言語モデルが検索と推薦の新しいパラダイムを生み出した。
  論文  参考訳（メタデータ） (2024-04-25T17:58:17Z)
• UniRQR: A Unified Model for Retrieval Decision, Query, and Response Generation in Internet-Based Knowledge Dialogue Systems [8.724141214921314]
  インターネット検索による知識ベースの対話システムは、通常、検索決定、クエリ生成、レスポンス生成の3つのタスクに分けられる。 我々の研究は、プロンプトおよびマルチタスク学習アプローチによって促進される単一の統一モデルを用いることで、この監視に対処する。 これらの機能を統合することで、事前訓練されたモデルの潜在能力をフル活用し、複数のモデルのデプロイに伴う複雑さとコストを削減する。
  論文  参考訳（メタデータ） (2024-01-11T06:09:15Z)
• Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
  我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。 全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。 提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
  論文  参考訳（メタデータ） (2023-10-23T05:52:09Z)
• Machine Unlearning: A Survey [56.79152190680552]
  プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。 この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。 この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。 この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
  論文  参考訳（メタデータ） (2023-06-06T10:18:36Z)
• Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
  知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。 本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
  論文  参考訳（メタデータ） (2022-11-30T03:44:15Z)
• A Visual Active Search Framework for Geospatial Exploration [36.31732056074638]
  多くの問題は、航空画像によって支援された地理空間探索の形式と見なすことができる。 我々は3つの重要な入力を持つ視覚的能動探索(VAS)フレームワークでこの問題をモデル化する。 完全注釈付き検索タスクの集合からメタ検索ポリシーを学習するVASのための強化学習手法を提案する。
  論文  参考訳（メタデータ） (2022-11-28T21:53:05Z)
• Exposing Query Identification for Search Transparency [69.06545074617685]
  本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。 本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
  論文  参考訳（メタデータ） (2021-10-14T20:19:27Z)
• Zero-Shot Heterogeneous Transfer Learning from Recommender Systems to Cold-Start Search Retrieval [30.95373255143698]
  本稿では,学習知識を推薦システムコンポーネントから伝達し,コンテンツプラットフォームの検索コンポーネントを改善するZero-Shot Heterogeneous Transfer Learningフレームワークを提案する。 弊社は、Googleから世界最大の検索とレコメンデーションシステムのひとつで、オンラインとオフラインで実験を行い、得られた結果と教訓を提示する。
  論文  参考訳（メタデータ） (2020-08-07T01:22:56Z)
• On the Social and Technical Challenges of Web Search Autosuggestion Moderation [118.47867428272878]
  自動提案は通常、検索ログと文書表現のコーパスに基づいてトレーニングされた機械学習(ML)システムによって生成される。 現在の検索エンジンは、このような問題のある提案を抑えるのに、ますます熟練している。 問題のある提案のいくつかの側面、パイプラインに沿った困難な問題、そしてWeb検索を超えたアプリケーションの増加になぜ私たちの議論が適用されるのかについて論じる。
  論文  参考訳（メタデータ） (2020-07-09T19:22:00Z)
• 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)

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。