論文の概要: SIFT: Search Intent-to-Filter Transformer for Multi-Task Personalized Filter Ranking at Airbnb

• arxiv url: http://arxiv.org/abs/2610.07810v1
• Date: Tue, 06 Oct 2026 06:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.836969
• Title: SIFT: Search Intent-to-Filter Transformer for Multi-Task Personalized Filter Ranking at Airbnb
• Title（参考訳）: SIFT:Airbnbのマルチタスクパーソナライズされたフィルタランク付けのためのIntent-to-Filter変換器
• Abstract要約: SIFTはトランスフォーマー上に構築されたランキングモデルであり、生の行動系列から直接ゲストの嗜好を学習する。 SIFTは手動の特徴工学を、複数の予測タスクを供給できる統一されたゲスト表現に置き換える。 SIFTは現在、数百万のゲストにスケーラブルなパーソナライズを提供するために、本番環境に完全にデプロイされている。
• 参考スコア（独自算出の注目度）: 11.31125728000771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Search filters help guests navigate vast catalogs in two-sided marketplaces like Airbnb, and recommending the right filters can meaningfully lift booking conversion. Many such production filter-ranking systems, however, represent the guest through hand-engineered, pre-aggregated features generated by ETL pipelines. This makes it expensive to maintain and difficult to extend for new filter types or contextual dimensions (trip length, group size). We present SIFT (Search Intent-to-Filter Transformer), a ranking model built on transformers that learns guest preferences directly from raw behavioral sequences. SIFT replaces manual feature engineering with a unified guest representation that feeds multiple prediction tasks, including booking likelihood, filter engagement, and ordinal capacity thresholds (e.g., 2+ bedrooms) -- a general framework for filter ranking in two-sided marketplaces that accommodates both boolean and numeric-range filter types. Extending SIFT to new filters requires only adding a new head, not a new feature pipeline. To keep serving fast, this guest representation is computed offline on a daily cadence rather than at request time. Offline, SIFT improves booking and amenity-engagement PR-AUC by +51.9% and +62.8% respectively over the production baseline. In online A/B testing, SIFT increased engagement with recommended filters by +20.0%, overall filter usage among searchers by +0.72%, and usage of the newly-supported bedroom, bathroom, and bed filters by +3.9%, +10.7%, and +0.52% respectively. Demonstrating the system's extensibility, we rapidly integrated a novel hotel-intent filter using the same shared representation, driving a +3.8% lift in uncancelled hotel bookings and a +0.76% lift in overall marketplace bookings. SIFT is now fully deployed in production, serving scalable personalization to millions of guests.
• Abstract（参考訳）: 検索フィルターは、Airbnbのような両側のマーケットプレースで膨大なカタログをナビゲートするのに役立つ。 しかし、このようなフィルタレベルのシステムの多くは、ETLパイプラインによって生成された手動で事前集約された機能を通してゲストを表現している。 これにより、新しいフィルタタイプやコンテキスト次元(トリップ長、グループサイズ)の維持と拡張が難しくなる。 Intent-to-Filter Transformer(SIFT, Search Intent-to-Filter Transformer)を提案する。 SIFTは、手動のフィーチャーエンジニアリングを、予約可能性、フィルタエンゲージメント、順序付きキャパシティしきい値(例:2以上の寝室)など、複数の予測タスクを提供する統一されたゲスト表現に置き換える。 SIFTを新しいフィルタに拡張するには、新しい機能パイプラインではなく、新しいヘッダを追加するだけでよい。 迅速なサービスを維持するために、このゲスト表現はリクエスト時間ではなく、毎日のケイデンスでオフラインで計算される。 オフラインでは、SIFTは予約とアメニティエンゲージメントPR-AUCを、生産ベースラインに対して+51.9%、+62.8%改善する。 オンラインA/Bテストでは、SIFTは推奨フィルタとのエンゲージメントを+20.0%増加させ、検索者の全体的なフィルター使用量を+0.72%増加させ、新しくサポートされている寝室、浴室、ベッドフィルターの使用量を+3.9%、+10.7%、+0.52%増加させた。 システムの拡張性を実証し、同じ共有表現を用いて、新規なホテルインテントフィルタを迅速に統合し、未完のホテル予約では+3.8%、市場予約では+0.76%のリフトを駆動した。 SIFTは現在、数百万のゲストにスケーラブルなパーソナライズを提供するために、本番環境に完全にデプロイされている。

関連論文リスト

• DREAM Technical Report [53.37525197047151]
  DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。 DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。 第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
  論文  参考訳（メタデータ） (2026-08-10T10:35:32Z)
• OneBar: An End-to-End Content-Grounded Generative Query Recommendation Framework for E-Commerce Video Feeds [15.664358656780921]
  OneBarは、Eコマースビデオフィードのリアルタイムクエリレコメンデーションのためのエンドツーエンドの生成フレームワークである。 OneBarは,(1)マルチモーダルなビデオ理解と行動に起因した協調的アンカーを融合した複数モーダルな意図的接地モジュール,(2)効率的なオンラインサービスを実現するための即時圧縮機構を備えた統一エンド・ツー・エンドアーキテクチャ,(3)効率的な嗜好内在化のためのプログレッシブな選好学習戦略,の3つの革新を特徴としている。
  論文  参考訳（メタデータ） (2026-06-13T14:48:58Z)
• Unlocking Latent Value: Taxonomy-Guided Recovery of High-Performing Data from Low-Tier Web Corpora [35.23839643059164]
  崩壊文書の品質を1つの複合スコアに事前訓練するための支配的なWebデータパイプライン。 本稿では,合成スコアの獲得に失敗する意味論的意味のある次元に沿ってフィルタリングすることで,この価値を回復する分類学駆動のフレームワークを提案する。 選択したフィルタを優先順位付けされたWebデータに適用すると、分類学的にフィルタリングされたサブセットは、フィルタされていないベースラインを上回り、最高品質のレベルを超えます。
  論文  参考訳（メタデータ） (2026-06-05T18:43:14Z)
• Deformable Wiener Filter for Future Video Coding [55.405068056883614]
  We propose a deformable Wiener Filter (DWF) for in-loop filters in Versatile Video Coding (VVC)。 局所特性と非局所特性を組み合わせて、ウィナーフィルタ理論に基づいてフィルタ係数を指導的に訓練する。 平均で1.16%、1.92%、および2.67%のビットレートの節約を実現している。
  論文  参考訳（メタデータ） (2026-06-01T02:24:07Z)
• Recommending Search Filters To Improve Conversions At Airbnb [7.973401022492523]
  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。
  論文  参考訳（メタデータ） (2026-02-27T06:36:14Z)
• JAG: Joint Attribute Graphs for Filtered Nearest Neighbor Search [8.398505388767248]
  JAG(Joint Attribute Graphs)は、グラフベースのアルゴリズムで、選択スペクトル全体にわたって堅牢なパフォーマンスを実現する。 実験の結果,JAGはスループットとリコールロバスト性の両方において,既存の最先端のベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-02-10T20:00:51Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• Filter Pruning based on Information Capacity and Independence [11.411996979581295]
  本稿では,フィルタを解釈可能,マルチパースペクティブ,軽量な方法で選択する新しいフィルタプルーニング手法を提案する。 各フィルタに含まれる情報量について,情報容量と呼ばれる新しい指標を提案する。 フィルタ間の相関について、情報独立と呼ばれる別の指標が設計されている。
  論文  参考訳（メタデータ） (2023-03-07T04:26:44Z)
• Pruning Networks with Cross-Layer Ranking & k-Reciprocal Nearest Filters [151.2423480789271]
  フィルタレベルのネットワークプルーニングには,CLR-RNFと呼ばれる新しいプルーニング法が提案されている。 我々は,CIFAR-10 と ImageNet で画像分類を行い,CLR-RNF が最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-15T04:53:24Z)
• Training Compact CNNs for Image Classification using Dynamic-coded Filter Fusion [139.71852076031962]
  動的符号化フィルタ融合(DCFF)と呼ばれる新しいフィルタプルーニング法を提案する。 我々は、効率的な画像分類のために、計算経済的および正規化のない方法でコンパクトなCNNを導出する。 我々のDCFFは、72.77MのFLOPと1.06Mのパラメータしか持たないコンパクトなVGGNet-16を導出し、トップ1の精度は93.47%に達した。
  論文  参考訳（メタデータ） (2021-07-14T18:07:38Z)

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。