知识卡片

普通读书笔记卡 · 7262.o · 生成模型:WorkBuddy (Claude)

Airbnb相似房源召回

理解等级:高级

Airbnb 把 Word2vec 与自身业务深度结合,是经典召回范例。相似房源推荐用“物料 Embedding”:把用户过去一个月点击按时间排成会话,过滤停留 30min 则会话结束重开(保证会话内物料相似),用 Skip-gram 训练得到房源 Embedding,线上以用户点过的房源为中心取 Top-k。

针对业务做的优化值得借鉴:1)预订全局处理——预订是很强信号,把“最终预订房源”作为正样本强制加入每个滑动窗口上下文(无论窗口内有没有),强化“中心房源→预订房源”的共现。2)聚集搜索适应性——用户搜索多在固定地点,负样本也应同地点采样,类似 EBR 的困难负样本思路。3)冷启动——新房源取方圆 10 英里内 3 个最相似房源 Embedding 取平均,可解决约 98% 冷启动。

这些做法的共同启发是:不要照搬通用模型,要把“业务强信号(预订)、空间约束(同地)、冷启动”显式建模进目标函数。关联 [[Word2vec原理与召回映射]]、[[EBR负样本筛选与采样偏差]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第7章《个性化召回层样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/74.html;src-044) - 结论依据:原文给出点击会话构造、预订全局正样本、同地负采样、10英里平均冷启动四项业务优化,支撑本卡。 - 原始内容:1.相似房源推荐 Airbnb采用了 物料Embedding 的方式对相似房源推荐的问题进行建模,主要利用 用户的物料点击序列 模拟Word2vec中Skip-gram的训练方式