論文の概要: Recommending Search Filters To Improve Conversions At Airbnb

• arxiv url: http://arxiv.org/abs/2602.23717v1
• Date: Fri, 27 Feb 2026 06:36:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.27989
• Title: Recommending Search Filters To Improve Conversions At Airbnb
• Title（参考訳）: Airbnbで検索フィルタをリコメンドしてコンバージョンを改善
• Authors: Hao Li, Kedar Bellare, Siyu Yang, Sherry Chen, Liwei He, Stephanie Moyerman, Sanjeev Katariya,
• Abstract要約: 本稿では,予約変換の改善を目的とした検索フィルタを推薦する機械学習手法の新たな応用を提案する。 中間ツールを推奨することで,低ファンネル変換(予約)を直接ターゲットとするモデリングフレームワークを導入する。 私たちはAirbnbで、コールドスタートや厳格なサービス要件といった課題に対処するため、フィルタレコメンデーションシステムをゼロから設計し、構築しました。
• 参考スコア（独自算出の注目度）: 7.973401022492523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Airbnb, a two-sided online marketplace connecting guests and hosts, offers a diverse and unique inventory of accommodations, experiences, and services. Search filters play an important role in helping guests navigate this variety by refining search results to align with their needs. Yet, while search filters are designed to facilitate conversions in online marketplaces, their direct impact on driving conversions remains underexplored in the existing literature. This paper bridges this gap by presenting a novel application of machine learning techniques to recommend search filters aimed at improving booking conversions. We introduce a modeling framework that directly targets lower-funnel conversions (bookings) by recommending intermediate tools, i.e. search filters. Leveraging the framework, we designed and built the filter recommendation system at Airbnb from the ground up, addressing challenges like cold start and stringent serving requirements. The filter recommendation system we developed has been successfully deployed at Airbnb, powering multiple user interfaces and driving incremental booking conversion lifts, as validated through online A/B testing. An ablation study further validates the effectiveness of our approach and key design choices. By focusing on conversion-oriented filter recommendations, our work ensures that search filters serve their ultimate purpose at Airbnb - helping guests find and book their ideal accommodations.
• Abstract（参考訳）: Airbnbは、ゲストとホストを結ぶ双方向のオンラインマーケットプレイスで、宿泊施設、体験、サービスの多様なユニークな在庫を提供している。 検索フィルターは、客が自分のニーズに合わせて検索結果を精査することで、この多様性をナビゲートする上で重要な役割を担っている。 しかし、検索フィルタはオンラインマーケットプレースでのコンバージョンを促進するために設計されているが、既存の文献ではその直接的な影響は明らかにされていない。 本稿では,このギャップを埋めるために,予約変換の改善を目的とした検索フィルタを推薦する機械学習技術の新たな応用を提案する。 本稿では,中間ツール,すなわち検索フィルタを推奨することで,低ファンネル変換(ブックイング)を直接ターゲットとするモデリングフレームワークを提案する。 フレームワークを活用して、Airbnbのフィルタレコメンデーションシステムをゼロから設計、構築し、コールドスタートや厳格なサービス要件といった課題に対処しました。 私たちが開発したフィルタレコメンデーションシステムは、オンラインA/Bテストを通じて検証されたように、Airbnbで成功し、複数のユーザインターフェースをパワーアップし、インクリメンタルな予約変換リフトを駆動しています。 アブレーション研究は、我々のアプローチと重要な設計選択の有効性をさらに検証する。 コンバージョン指向のフィルタレコメンデーションに焦点を当てることで、当社の作業は、Airbnbにおける検索フィルタが究極の目的を果たすことを保証します。

関連論文リスト

• Applying Embedding-Based Retrieval to Airbnb Search [8.969357483707375]
  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。
  論文  参考訳（メタデータ） (2026-01-11T11:41:55Z)
• SERP Interference Network and Its Applications in Search Advertising [0.0]
  本稿では、検閲された観測データを活用して、バイパートイト(製品広告やテキスト広告への検索クエリ)の干渉ネットワークを構築することを提案する。 重み付きプロジェクションを作成して一部グラフを作り、ランダム化されたクラスタを作成するのに使用します。 ペイド検索のための新しい入札アルゴリズムの評価において,この実験的な設計の応用を実証する。
  論文  参考訳（メタデータ） (2025-06-19T00:33:05Z)
• Billion-scale Similarity Search Using a Hybrid Indexing Approach with Advanced Filtering [49.1574468325115]
  本稿では,CPU推論に最適化された数十億規模のデータセット上での複雑なフィルタリング機能を備えた類似度探索のための新しい手法を提案する。 提案手法は,従来のIVF-Flatインデックス構造を拡張し,多次元フィルタを統合する。 提案アルゴリズムは,高次元空間での高速な探索を可能にするため,高密度埋め込みと離散フィルタ特性を組み合わせる。
  論文  参考訳（メタデータ） (2025-01-23T07:47:00Z)
• Towards Optimal Adapter Placement for Efficient Transfer Learning [73.1149084352343]
  PETLは、トレーニング済みモデルを新しい下流タスクに適用し、微調整されたパラメータの数を最小化することを目的としている。 PETLの一般的なアプローチであるアダプタは、低ランクのプロジェクションを組み込むことで、既存のネットワークにさらなる容量を注入する。 本稿では,アダプタの配置と性能の関係について検討する。
  論文  参考訳（メタデータ） (2024-10-21T10:37:17Z)
• Filtering Discomforting Recommendations with Large Language Models [31.416850979104407]
  DiscomfortFilterは不快なレコメンデーションをフィルタリングするツールだ。 DiscomfortFilterは、LLM(Large Language Model)ベースのツールであるDiscomfortFilterをベースにしている。 参加者24名による1週間のユーザスタディでは、DiscomfortFilterの有効性が示された。
  論文  参考訳（メタデータ） (2024-10-07T18:23:00Z)
• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)
• Filter Bubbles in Recommender Systems: Fact or Fallacy -- A Systematic Review [7.121051191777698]
  フィルターバブルとは、インターネットのカスタマイズによって様々な意見や素材から個人を効果的に隔離する現象を指す。 我々は,レコメンデータシステムにおけるフィルタバブルの話題について,系統的な文献レビューを行う。 本稿では,フィルタバブルの影響を緩和する機構を提案し,多様性をレコメンデーションに組み込むことで,この問題を緩和できる可能性を実証する。
  論文  参考訳（メタデータ） (2023-07-02T13:41:42Z)
• 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)
• Query Rewriting for Retrieval-Augmented Large Language Models [139.242907155883]
  大規模言語モデル(LLM)は、検索対象のパイプラインで強力なブラックボックスリーダーを動作させる。 この作業では、検索拡張LDMに対する以前の検索テーマ読み込みの代わりに、新しいフレームワークであるRewrite-Retrieve-Readを導入する。
  論文  参考訳（メタデータ） (2023-05-23T17:27:50Z)
• FilFL: Client Filtering for Optimized Client Participation in Federated Learning [71.46173076298957]
  フェデレートラーニングは、クライアントがローカルデータを交換することなく、協調的にモデルをトレーニングすることを可能にする。 トレーニングプロセスに参加するクライアントは、収束率、学習効率、モデル一般化に大きな影響を与えます。 本稿では,モデル一般化を改善し,クライアント参加とトレーニングを最適化する新しい手法であるクライアントフィルタリングを提案する。
  論文  参考訳（メタデータ） (2023-02-13T18:55:31Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• 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)

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。