論文の概要: Applying Embedding-Based Retrieval to Airbnb Search
- arxiv url: http://arxiv.org/abs/2601.06873v1
- Date: Sun, 11 Jan 2026 11:41:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:01.042336
- Title: Applying Embedding-Based Retrieval to Airbnb Search
- Title（参考訳）: Airbnb検索に埋め込みベースの検索を適用する
- Authors: Mustafa Abdool, Soumyadip Banerjee, Moutupsi Paul, Do-kyum Kim, Xioawei Liu, Bin Xu, Tracy Yu, Hui Gao, Karen Ouyang, Huiji Gao, Liwei He, Stephanie Moyerman, Sanjeev Katariya,
- Abstract要約: 本稿は、Airbnb検索のための効率的で高品質な検索システムを構築するための私たちの旅について詳述する。
埋め込みベース検索(EBR)システムを実装する際に遭遇した,ユニークな課題について述べる。
EBRシステムは製品としてローンチされ、定期的な検索、フレキシブルな日付、マーケティングキャンペーンのプロモーションメールなどいくつかのユースケースで使用されている。
- 参考スコア（独自算出の注目度）: 8.969357483707375
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The goal of Airbnb search is to match guests with the ideal accommodation that fits their travel needs. This is a challenging problem, as popular search locations can have around a hundred thousand available homes, and guests themselves have a wide variety of preferences. Furthermore, the launch of new product features, such as \textit{flexible date search,} significantly increased the number of eligible homes per search query. As such, there is a need for a sophisticated retrieval system which can provide high-quality candidates with low latency in a way that integrates with the overall ranking stack. This paper details our journey to build an efficient and high-quality retrieval system for Airbnb search. We describe the key unique challenges we encountered when implementing an Embedding-Based Retrieval (EBR) system for a two sided marketplace like Airbnb -- such as the dynamic nature of the inventory, a lengthy user funnel with multiple stages, and a variety of product surfaces. We cover unique insights when modeling the retrieval problem, how to build robust evaluation systems, and design choices for online serving. The EBR system was launched to production and powers several use-cases such as regular search, flexible date and promotional emails for marketing campaigns. The system demonstrated statistically-significant improvements in key metrics, such as booking conversion, via A/B testing.
- Abstract（参考訳）: Airbnbの検索の目標は、旅行のニーズに合う理想的な宿泊施設をゲストに合わせることだ。
人気の検索サイトが10万軒ほどあることや、ゲスト自身がさまざまな好みを持っていることを考えると、これは難しい問題だ。
さらに、‘textit{flexible date search,} のような新しいプロダクト機能の導入により、検索クエリあたりの住宅数が大幅に増加した。
そのため、全体的なランキングスタックと統合した方法で、低レイテンシで高品質な候補を提供する高度な検索システムが必要である。
本稿は、Airbnb検索のための効率的で高品質な検索システムを構築するための私たちの旅について詳述する。
例えば、在庫の動的な性質、複数のステージを持つ長いユーザファンネル、さまざまな製品表面などです。
検索問題をモデル化する際のユニークな洞察、ロバストな評価システムの構築方法、オンラインサービスのための設計選択について述べる。
EBRシステムは製品としてローンチされ、定期的な検索、フレキシブルな日付、マーケティングキャンペーンのプロモーションメールなどいくつかのユースケースで使用されている。
このシステムは、A/Bテストを通じて予約変換などの重要な指標を統計的に顕著に改善した。
関連論文リスト
- MMSearch-R1: Incentivizing LMMs to Search [49.889749277236376]
MMSearch-R1は,実世界のインターネット環境において,オンデマンドでマルチターン検索が可能な,初のエンドツーエンド強化学習フレームワークである。
本フレームワークは画像検索とテキスト検索の両方を統合し,検索ペナルティによる結果に基づく報酬によって,モデルがいつ,どのように呼び出すかの判断を可能にする。
論文 参考訳（メタデータ） (2025-06-25T17:59:42Z) - DeepShop: A Benchmark for Deep Research Shopping Agents [70.03744154560717]
DeepShopは、複雑なリアルなオンラインショッピング環境でWebエージェントを評価するために設計されたベンチマークである。
5つの人気のあるオンラインショッピングドメインに多様なクエリを生成します。
エージェントの性能をきめ細かな面から評価する自動評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-03T13:08:17Z) - MRSE: An Efficient Multi-modality Retrieval System for Large Scale E-commerce [42.3177388371158]
現在の埋め込みベースのRetrieval Systemsは、クエリとアイテムを共有の低次元空間に埋め込む。
本稿では,テキスト,項目画像,ユーザ嗜好を統合したマルチモーダル検索システムMRSEを提案する。
MRSEはオフラインの妥当性が18.9%向上し、オンラインのコアメトリクスが3.7%向上した。
論文 参考訳（メタデータ） (2024-08-27T11:21:19Z) - 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) - 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) - Optimizing Airbnb Search Journey with Multi-task Learning [12.365018195685263]
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。
論文 参考訳（メタデータ） (2023-05-28T23:25:51Z) - Que2Engage: Embedding-based Retrieval for Relevant and Engaging Products
at Facebook Marketplace [15.054431410052851]
Que2Engageは、エンドツーエンド最適化のための検索とランキングのギャップを埋めるために構築された検索用EBRシステムである。
提案手法の有効性を,マルチタスク評価フレームワークと徹底的なベースライン比較およびアブレーション研究を通じて示す。
論文 参考訳（メタデータ） (2023-02-21T23:10:16Z) - UKP-SQUARE: An Online Platform for Question Answering Research [50.35348764297317]
我々は、研究者向けのオンラインQAプラットフォームであるUKP-SQUAREを紹介した。
UKP-SQUAREでは、ユーザフレンドリーなWebインターフェースと統合テストを通じて、モダンスキルの大規模なコレクションをクエリし、分析することができる。
論文 参考訳（メタデータ） (2022-03-25T15:00:24Z) - 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)
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。