Learning To Rank Diversely At Airbnb

要約

Airbnb は、賃貸物件を所有するホストと世界中からの見込み客を結び付ける両面マーケットプレイスです。
ニューラル ネットワーク ベースの学習をランク付け技術に適用することで、ゲストとホストのマッチングが大幅に向上しました。
これらのランキングの向上は、中核となる戦略によって推進されました。つまり、予約確率の推定値に基づいてリストを順序付けし、予約確率の推定値をますます正確にする手法を反復するというものです。
この戦略には、リスティングの予約確率が検索結果内の他のリスティングとは独立して決定できるという仮定が暗黙的に組み込まれていました。
この論文では、一般的に使用されるランク付けフレームワークの学習全体に浸透しているこの仮定がどのように誤りであるかについて説明します。
私たちは、この仮定を修正する理論的基礎を提供し、その後、理論に基づいた効率的なニューラル ネットワーク アーキテクチャを提供します。
リスト間の類似点の可能性を明示的に考慮し、それらを削減して検索結果を多様化することで、強いプラスの効果が生まれました。
理論のオンライン A/B テストの一環として、これらの指標の勝利について説明します。
私たちの方法は、大規模な生産ランキング システムの検索結果を多様化する実用的な方法を提供します。

要約(オリジナル)

Airbnb is a two-sided marketplace, bringing together hosts who own listings for rent, with prospective guests from around the globe. Applying neural network-based learning to rank techniques has led to significant improvements in matching guests with hosts. These improvements in ranking were driven by a core strategy: order the listings by their estimated booking probabilities, then iterate on techniques to make these booking probability estimates more and more accurate. Embedded implicitly in this strategy was an assumption that the booking probability of a listing could be determined independently of other listings in search results. In this paper we discuss how this assumption, pervasive throughout the commonly-used learning to rank frameworks, is false. We provide a theoretical foundation correcting this assumption, followed by efficient neural network architectures based on the theory. Explicitly accounting for possible similarities between listings, and reducing them to diversify the search results generated strong positive impact. We discuss these metric wins as part of the online A/B tests of the theory. Our method provides a practical way to diversify search results for large-scale production ranking systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google