Airbnb 召回算法
Contents
Airbnb 召回算法#
Note
Airbnb 发表的 《Real-time Personalization using Embeddings for Search Ranking at Airbnb》很经典，其中介绍了 listing embedding（基于点击找出相似房源） 和 user/listing-type embedding（基于预定找出用户长期偏好） 两种召回方法。
Listing embedding#
这是一个 i2i 的召回
Near#
类似于 word2vec，将用户点击序列看成是一个句子，认为滑动窗口的中心 item 与滑动窗口的其他 items 是相似的。
另外，因为每个预定会话中只有最后一个房源是被预定的房源，为了将这个预定行为引入目标函数，不管这个被预定房源在不在 word2vec 滑动窗口内，都假设这个被预定房源与滑动窗口的中心房源是相关的。
Far#
绝大多数负样本还是随机采样生成的。但是，Airbnb 发现，用于点击 listing 多是同城的，随机采样的负样本多是异地的。为此，Airbnb 还增加了同一地区的随机负样本作为 hard negative。
Embedding#
类似于 word2vec
loss#
sampled softmax loss