Airbnb開(kāi)發(fā)和部署的房源嵌入技術(shù)

【導(dǎo)讀】本文最早于 2018 年 5 月 13 日發(fā)表，主要介紹了機(jī)器學(xué)習(xí)的嵌入技術(shù)在 Airbnb 愛(ài)彼迎房源搜索排序和實(shí)時(shí)個(gè)性化推薦中的實(shí)踐。Airbnb 愛(ài)彼迎的兩位機(jī)器學(xué)習(xí)科學(xué)家憑借這項(xiàng)技術(shù)的實(shí)踐獲得了2018 年 KDD ADS track 的最佳論文，本文即是對(duì)這篇論文的精華概括。

Airbnb 平臺(tái)包含數(shù)百萬(wàn)種不同的房源，用戶可以通過(guò)瀏覽搜索結(jié)果頁(yè)面來(lái)尋找想要的房源，我們通過(guò)復(fù)雜的機(jī)器學(xué)習(xí)模型使用上百種信號(hào)對(duì)搜索結(jié)果中的房源進(jìn)行排序。 當(dāng)用戶查看一個(gè)房源時(shí)，他們有兩種方式繼續(xù)搜索：返回搜索結(jié)果頁(yè)，或者查看房源詳情頁(yè)的「相似房源」（會(huì)推薦和當(dāng)前房源相似的房源）。我們 99% 的房源預(yù)訂來(lái)自于搜索排序和相似房源推薦。

在這篇博文中，我們將會(huì)介紹 Airbnb 開(kāi)發(fā)和部署的房源嵌入（Listing Embedding）技術(shù)，以及如何用此來(lái)改進(jìn)相似房源推薦和搜索排序中的實(shí)時(shí)個(gè)性化。 這種嵌入是從搜索會(huì)話（Session）中學(xué)到的 Airbnb 房源的一種矢量表示，并可用此來(lái)衡量房源之間的相似性。 房源嵌入能有效地編碼很多房源特征，比如位置、價(jià)格、類型、建筑風(fēng)格和房屋風(fēng)格等等，并且只需要用 32 個(gè)浮點(diǎn)數(shù)。我們相信通過(guò)嵌入的方法來(lái)做個(gè)性化和推薦對(duì)所有的雙邊市場(chǎng)平臺(tái)都非常有效。

嵌入的背景

將詞語(yǔ)表示為高維稀疏向量 (high-dimensional, sparse vectors) 是用于語(yǔ)言建模的經(jīng)典方法。不過(guò)，在許多自然語(yǔ)言處理 (NLP) 應(yīng)用中，這一方法已經(jīng)被基于神經(jīng)網(wǎng)絡(luò)的詞嵌入并將詞語(yǔ)用低維度 (low-dimentional) 來(lái)表示的新模型取代。新模型假設(shè)經(jīng)常一起出現(xiàn)的詞也具有更多的統(tǒng)計(jì)依賴性，會(huì)直接考慮詞序及其共現(xiàn) (co-occurrence) 來(lái)訓(xùn)練網(wǎng)絡(luò)。 隨著更容易擴(kuò)展的單詞表達(dá)連續(xù)詞袋模型 (bag-of-words) 和 Skip-gram 模型的發(fā)展，在經(jīng)過(guò)大文本數(shù)據(jù)訓(xùn)練之后，嵌入模型已被證明可以在多種語(yǔ)言處理任務(wù)中展現(xiàn)最佳性能。

最近，嵌入的概念已經(jīng)從詞的表示擴(kuò)展到 NLP 領(lǐng)域之外的其他應(yīng)用程序。來(lái)自網(wǎng)絡(luò)搜索、電子商務(wù)和雙邊市場(chǎng)領(lǐng)域的研究人員已經(jīng)意識(shí)到，就像可以通過(guò)將句子中的一系列單詞視為上下文來(lái)訓(xùn)練單詞嵌入一樣，我們也可以通過(guò)處理用戶的行為序列來(lái)訓(xùn)練嵌入用戶操作，比如學(xué)習(xí)用戶點(diǎn)擊和購(gòu)買(mǎi)的商品或?yàn)g覽和點(diǎn)擊的廣告。 這樣的嵌入已經(jīng)被用于 web 上的各種推薦系統(tǒng)中。

房源嵌入

我們的數(shù)據(jù)集由 N 個(gè)用戶的點(diǎn)擊會(huì)話 (Session) 組成，其中每個(gè)會(huì)話定義為一個(gè)由用戶點(diǎn)擊的 n 個(gè)房源 id 組成的的不間斷序列；同時(shí)，只要用戶連續(xù)兩次點(diǎn)擊之間的時(shí)間間隔超過(guò)30分鐘，我們就會(huì)認(rèn)為是一個(gè)新的會(huì)話。 基于該數(shù)據(jù)集，我們的目標(biāo)是學(xué)習(xí)一個(gè) 32 維的實(shí)值表示方式來(lái)包含平臺(tái)上所有的房源，并使相似房源在嵌入空間中處于臨近的位置。

列表嵌入的維度被設(shè)置為，這樣的設(shè)置可以平衡離線性能（在下一節(jié)中討論）和在線搜索服務(wù)器內(nèi)存中存儲(chǔ)向量所需的空間，能夠更好地進(jìn)行實(shí)時(shí)相似度的計(jì)算。

目前有幾種不同的嵌入訓(xùn)練方法，在這里，我們將專注于一種稱為負(fù)抽樣 (Negative Sampling) 的技術(shù)。 首先，它將嵌入初始化為隨機(jī)向量，然后通過(guò)滑動(dòng)窗口的方式讀取所有的搜索會(huì)話，并通過(guò)隨機(jī)梯度下降（stochastic gradient descent）來(lái)更新它們。 在每一步中，我們都會(huì)將中央房源的向量更新并將其推向正向相關(guān)房源的向量（用戶在點(diǎn)擊中心房源前后點(diǎn)擊的其他房源，滑動(dòng)窗口長(zhǎng)度為），并通過(guò)隨機(jī)抽樣房源的方式將它從負(fù)向相關(guān)房源推開(kāi)（因?yàn)檫@些房源很大幾率與中央房源沒(méi)有關(guān)系）。

為簡(jiǎn)潔起見(jiàn)，我們將跳過(guò)具體訓(xùn)練過(guò)程的細(xì)節(jié)，并著重解釋為了更好地適用我們的場(chǎng)景而做的一些修改：

使用最終預(yù)訂的房源作為全局上下文 (Global Context)：我們使用以用戶預(yù)訂了房源（上圖中紫色標(biāo)記）為告終的用戶會(huì)話來(lái)做這個(gè)優(yōu)化，在這個(gè)優(yōu)化的每個(gè)步驟中我們不僅預(yù)測(cè)相鄰的點(diǎn)擊房源，還會(huì)預(yù)測(cè)最終預(yù)訂的房源。 當(dāng)窗口滑動(dòng)時(shí)，一些房源會(huì)進(jìn)入和離開(kāi)窗口，而預(yù)訂的房源始終作為全局上下文（圖中虛線）保留在其中，并用于更新中央房源向量。

適配聚集搜索的情況：在線旅行預(yù)訂網(wǎng)站的用戶通常僅在他們的旅行目的地內(nèi)進(jìn)行搜索。 因此，對(duì)于給定的中心房源，正相關(guān)的房源主要包括來(lái)自相同目的地的房源，而負(fù)相關(guān)房源主要包括來(lái)自不同目的地的房源，因?yàn)樗鼈兪菑恼麄€(gè)房源列表中隨機(jī)抽樣的。 我們發(fā)現(xiàn)，這種不平衡會(huì)導(dǎo)致在一個(gè)目的地內(nèi)相似性不是最優(yōu)的。 為了解決這個(gè)問(wèn)題，我們添加了一組從中央房源的目的地中抽樣選擇的隨機(jī)負(fù)例樣本集

考慮到上述所有因素，最終的優(yōu)化目標(biāo)可以表述為

在這里

使用上面所描述的優(yōu)化程序，我們通過(guò)使用超過(guò) 8 億次的搜索點(diǎn)擊會(huì)話，訓(xùn)練了 Airbnb 上 450 萬(wàn)個(gè)有效列表的房源嵌入，從而獲得了高質(zhì)量的房源展示。

冷啟動(dòng)嵌入：每天在 Airbnb 上都有新的房源提供。這些房源在新建時(shí)還不在我們的訓(xùn)練數(shù)據(jù)集中，所以沒(méi)有嵌入信息。 要為新房源創(chuàng)建嵌入，我們會(huì)找到 3 個(gè)地理位置最接近、房源類別和價(jià)格區(qū)間相同的已存在的房源，并計(jì)算這些房源嵌入的向量平均值來(lái)作為新房源的嵌入值。

嵌入學(xué)習(xí)到的是什么？

我們用多種方式來(lái)評(píng)估嵌入捕獲到的房源的特征。首先，為了評(píng)估地理位置相似性是否被包含，我們對(duì)用于學(xué)習(xí)的嵌入進(jìn)行了 k 均值聚類 (k-means clustering)。下面的圖顯示了美國(guó)加州產(chǎn)生的 100 個(gè)聚類，確認(rèn)了來(lái)自近似位置的房源聚集在一起。 接下來(lái)，我們?cè)u(píng)估了不同類型（整套房源，獨(dú)立房間，共享房間）和價(jià)格范圍的房源之間的平均余弦相似性 (cosine similarity) ，并確認(rèn)相同類型和價(jià)格范圍的房源之間的余弦相似性遠(yuǎn)高于不同類型和不同價(jià)格的房源之間的相似性。 因此我們可以得出結(jié)論，這兩個(gè)房源特征也被很好的包括在訓(xùn)練好的嵌入中了。

雖然有一些房源特征我們可以從房源元數(shù)據(jù)中提?。ɡ鐑r(jià)格），所以不需要被學(xué)習(xí)，但是其他類型的房源特征（例如建筑風(fēng)格，樣式和感覺(jué)）很難提取為房源特征的形式。 為了評(píng)估這些特性并能夠在嵌入空間中進(jìn)行快速簡(jiǎn)便的探索，我們內(nèi)部開(kāi)發(fā)了一個(gè)相似性探索工具 (Similarity Exploration Tool)，并提供了一個(gè)視頻進(jìn)行演示。

視頻鏈接：https://www.youtube.com/watch?v=1kJSAG91TrI&feature=youtu.be

該視頻提供了許多嵌入示例，能夠找到相同獨(dú)特建筑風(fēng)格的相似房源，包括船屋、樹(shù)屋、城堡等。

線下評(píng)估

在對(duì)使用了嵌入的推薦系統(tǒng)進(jìn)行線上搜索測(cè)試之前，我們進(jìn)行了多次離線測(cè)試。同時(shí)我們還使用這些測(cè)試比較了多種不同參數(shù)訓(xùn)練出來(lái)的不同嵌入，以快速做優(yōu)化，決定嵌入維度、算法修改的不同思路、訓(xùn)練數(shù)據(jù)的構(gòu)造、超參數(shù)的選擇等。

評(píng)估嵌入的一種方法是測(cè)試它們通過(guò)用戶最近的點(diǎn)擊來(lái)推薦的房源，有多大可能最終會(huì)產(chǎn)生預(yù)訂。

更具體地說(shuō)，假設(shè)我們獲得了最近點(diǎn)擊的房源和需要排序的房源候選列表，其中包括用戶最終預(yù)訂的房源；通過(guò)計(jì)算點(diǎn)擊房源和候選房源在嵌入空間的余弦相似度，我們可以對(duì)候選房源進(jìn)行排序，并觀察最終被預(yù)訂的房源在排序中的位置。

我們?cè)谙聢D中顯示了一個(gè)此類評(píng)估的結(jié)果，搜索中的房源根據(jù)嵌入空間的相似性進(jìn)行了重新排序，并且最終被預(yù)訂房源的排序是按照每次預(yù)定前的點(diǎn)擊的平均值來(lái)計(jì)算，追溯到預(yù)定前的 17 次點(diǎn)擊。

我們比較了幾個(gè)嵌入版本：

d32 regular，沒(méi)有對(duì)原始嵌入算法進(jìn)行任何修改

d32 booking global，被預(yù)訂房源作為全局上下文

d32 booking global + market negatives，被預(yù)訂房源作為全局上下文，且加入了中央房源的目的地中抽樣選擇的隨機(jī)負(fù)例樣本作為負(fù)值（見(jiàn)上述目標(biāo)優(yōu)化公式）

從圖中我們可以看出，第三個(gè)選項(xiàng)中的被預(yù)訂房源一直都有較為靠前的排序，所以我們可以得出結(jié)論，這個(gè)選擇要比其它兩個(gè)更優(yōu)。

基于嵌入的相似房源推薦

每個(gè) Airbnb 房源詳情頁(yè)面都包含一個(gè)「相似房源」的輪播，推薦與當(dāng)前房源相似并且可以在相同時(shí)間段內(nèi)預(yù)訂的房源。

在我們測(cè)試嵌入前，我們主要通過(guò)調(diào)用主搜索排序模型來(lái)搜索相同位置、價(jià)格區(qū)間和類型的房源以得出相似房源。

在有了嵌入之后，我們對(duì)此進(jìn)行了 A/B 測(cè)試，將現(xiàn)有的相似房源算法與基于嵌入的解決方案進(jìn)行了比較。在基于嵌入的解決方案中，相似房源是通過(guò)在房源嵌入空間中找到 k 個(gè)最近鄰居 (k-nearest neighbors) 來(lái)生成的。 更確切地說(shuō)，給定學(xué)習(xí)好了的房源嵌入，通過(guò)計(jì)算其向量與來(lái)自相同目的地的所有房源的向量之間的余弦相似性，可以找到指定房源的所有可預(yù)訂的相似房源（如果用戶設(shè)置了入住和退房日期，房源需要在該時(shí)間段內(nèi)可預(yù)訂）。最終得到的個(gè)最高相似性的房源組成了相似房源列表。

A/B 測(cè)試顯示，基于嵌入的解決方案使「相似房源」點(diǎn)擊率增加了21％，最終通過(guò)「相似房源」產(chǎn)生的預(yù)訂增加了 4.9％。

基于嵌入的實(shí)時(shí)個(gè)性化搜索

到目前為止，我們已經(jīng)看到嵌入可以有效地用于計(jì)算房源之間的相似性。 我們的下一個(gè)想法是在搜索排序中利用此功能進(jìn)行一個(gè)會(huì)話內(nèi)的實(shí)時(shí)個(gè)性化，目的是向用戶更多展示他們喜歡的房源，更少展示他們不喜歡的房源。

為實(shí)現(xiàn)這一目標(biāo)，我們?yōu)槊總€(gè)用戶實(shí)時(shí)收集和維護(hù)（基于 Kafka）兩組短期歷史事件：

：用戶在過(guò)去 2 周內(nèi)點(diǎn)擊的房源 ID

：用戶在過(guò)去 2 周內(nèi)跳過(guò)的房源 ID（我們將跳過(guò)的房源定義為排序較靠前的房源，但用戶跳過(guò)了此房源并點(diǎn)擊了排序較靠后的房源）

接下來(lái)，在用戶進(jìn)行搜索時(shí)，我們?yōu)樗阉鞣祷氐拿總€(gè)候選房源做 2 個(gè)相似性計(jì)算：

具體來(lái)說(shuō)，我們計(jì)算來(lái)自的目的地級(jí)質(zhì)心之間的相似性并選擇最大相似度。 例如，如果包含來(lái)自紐約和洛杉磯的房源，那么這兩個(gè)目的地中每個(gè)目的地的房源嵌入將被平均以形成目的地級(jí)別的質(zhì)心。

上面這兩個(gè)相似性衡量的結(jié)果，會(huì)作為之后通過(guò)搜索排序機(jī)器學(xué)習(xí)模型對(duì)候選房源進(jìn)行排序時(shí)考慮的附加信號(hào)。

我們首先會(huì)記錄這兩個(gè)嵌入相似性特征以及其他搜索排序特征，來(lái)為模型訓(xùn)練創(chuàng)建一個(gè)新的標(biāo)記數(shù)據(jù)集，然后繼續(xù)訓(xùn)練一個(gè)新的搜索排序模型，之后我們可以通過(guò) A/B 測(cè)試來(lái)和當(dāng)前線上的排序模型進(jìn)行對(duì)比。

為了評(píng)估新模型是否如預(yù)期地學(xué)會(huì)了使用嵌入相似性特征，我們?cè)谙旅胬L制了它們的部分依賴圖。這些圖顯示了如果我們固定住其他所有的特征值，只考慮我們正在測(cè)試的某個(gè)特征值，候選房源的排序分?jǐn)?shù)會(huì)發(fā)生什么變化。

從左邊的圖中可以看出，較大的值（用戶最近點(diǎn)擊的房源的相似房源）會(huì)導(dǎo)致更高的模型得分。

在右邊的圖中可以看出，較大的

所以部分依賴圖的觀察結(jié)果證實(shí)，特征行為符合我們之前預(yù)期的模型將學(xué)習(xí)的內(nèi)容。除此之外，當(dāng)新的嵌入特征在搜索排序模型特征中重要性排序很靠前的時(shí)候，我們的離線測(cè)試結(jié)果顯示各項(xiàng)性能指標(biāo)都有所改進(jìn)。這些數(shù)據(jù)讓我們做出了進(jìn)行在線實(shí)驗(yàn)的決定，之后該實(shí)驗(yàn)取得了成功，我們?cè)?2017 年夏季上線了將嵌入特征用于實(shí)時(shí)個(gè)性化生成推薦的功能。