知识卡片

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

Airbnb长期兴趣建模

理解等级:高级

物料 Embedding 只能捕捉短期点击相似,无法捕捉长期偏好(如用户几个月前在洛杉矶、纽约订房,现在去旧金山),且很多用户/物料出现次数不足 5~10 次、没法单独学习。Airbnb 的解法是“聚合 type”:按属性分箱组合出 user_type 和 item_type,把它们当字典里的词一起做类 Word2vec 训练,二者共享同一向量空间。

具体:item_type 由地区、可住人数、床/卫数量、价格、评论、星级等组合成 id(如 US_2人房_1床_…_5星好评);user_type 由市场位置、设备、语言、资料完整度、历史预订次数、价格区间等组合。训练时把 (user_type, item_type) 按时间排成会话,滑窗中心既可能是 user_type 也可能是 item_type,统一当上下文学习。同一个用户/物料的 type 可随时间改变,从而自然解决兴趣转移和冷启动(新用户少取特征即可)。

此外 Airbnb 还发现:有监督 I2U 易过拟合(数据稀疏),无监督更好;每天重训比增量训练离线性能更好(因只用 Cosine 相似度、不在意向量本身);并需在负样本中显式加入“被房东拒绝的房源”,降低用户被拒概率。关联 [[Airbnb相似房源召回]]。

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:原文说明用 user_type/item_type 聚合解决低频长期兴趣与冷启动,并列出有监督过拟合、重训优于增量等训练技巧,支撑本卡。 - 原始内容:比如,用户几个月前在洛杉矶和纽约预订了房子,现在要在旧金山预订房子,已有的Embedding方式没法捕捉到用户的长期偏好