Airbnb基于深度学习的搜索算法优化实践

在 Airbnb 搜索业务中，根据其业务特殊性，工程师们经过多次迭代尝试，深入挖掘 DNN 在搜索排序中的潜力，预定量和收入都得到了很大的提升。在论文 中，研究团队从 DNN 网络结构的搭建到解决冷启动问题、位置偏差问题等方面分享了非常宝贵的算法经验。我们将在本文对这项研究工作进行详细解读。
概 览
Airbnb 是一个双边市场，它将拥有出租房子的房东和来自全球各地的潜在客人聚集在一起。Airbnb 的搜索排名问题是根据客人的查询对住宿地点进行排名，这些查询通常包括位置、客人数量和入住 / 退房日期。演进到深度学习是 Airbnb 搜索排名发展的一个重要里程碑。我们在[6] 中对这段旅程的描述使我们与许多行业实践者进行了交谈，允许我们能够交流见解和评论。在这样的交流之后经常出现的一个问题是：下一步怎么办？我们试图在本文中回答这个问题。

深度学习排名的推出引起了很多人的庆祝，不仅因为它带来了预订量的增长，还因为它给我们未来的路线图带来了变化。最初的看法是，通过 Airbnb 对深度学习的排名，我们可以接触到这个庞大的机器学习思想宝库，它似乎每天都在增长。我们可以简单地从论文研究中挑选出最好的点子，一个接一个地推出，从此过上幸福的生活。但事实证明，这是乐观情绪的顶峰。很快，我们熟悉的进入绝望谷的模式就出现了，在其他地方取得显著成功的技术在我们自己的应用中被证明是相当中性的。

这将导致我们在第一次发布之后如何迭代深度学习的策略进行全面修订。在本文中，我们捕获了在[6] 中描述的 DNN 发布之后的主要增强。除了深入研究核心机器学习技术本身，我们还关注导致突破的过程和推理。从现在的大局来看，我们更看重在 dnn 上迭代的经验教训，而不是任何单独的技术。我们希望那些专注于在行业环境中应用深度学习的人会发现我们的经验很有价值。我们先