Airbnb系列一 《Real-time Personalization using Embeddings for Search Ranking at Airbnb》论文分享

https://mp.weixin.qq.com/s/oOQfV35x9IJgE0y_ecjntA 感觉很像Item2Vec: Neural Item Embedding for Collaborative Filtering～

一. 参考链接 https://www.infoq.cn/article/vfelq1ob6tcwpuzycfz3 https://www.zhihu.com/question/302288216 https://zhuanlan.zhihu.com/p/49537461 https://zhuanlan.zhihu.com/p/56128664 https://www.zhihu.com/question/302288216/answer/532712103 二. 细节补充 1. 关于 list emb

提纲 解决的问题 方法 实验 疑问与启发 1.解决的问题 本文要解决两个问题： 针对短租市场，大部分的用户很少会多次预定同一类型的房间；房间分时段的，只能在某段时间内被某一个用户预订；大部分用户预订酒店是低频事件，更不用说是在同一个地方预订酒店。 实时个性化 2.方法 作者考虑到用户在预订酒店之前有大量的搜索、点击、联系商家等行为，可以利用这些信息来构建用户预订的房间与候选商品之间...

Methodology 这篇论文里主要介绍了两个应用于搜索里推荐和排名的任务的嵌入式表示学习算法： Listing embeddings for short-term real-time personalization User-type & Listing type embeddings for long term personalization List Embeddings 首先...

Real-time Personalization using Embeddings for Search Ranking at Airbnb 前言 这篇论文是KDD2018的best paper，来自Airbnb在搜索排序中利用Embedding进行实时个性化推荐的实践应用，和之前的Embedding一样均是以word2vec为基础技术(w2v大法好)，但是这次Airbnb在实践中根据自己的业务...

Real-time Personalization using Embeddings for Search Ranking at Airbnb 论文地址：https://dl.acm.org/doi/pdf/10.1145/3219819.3219885 摘要部分 描述了背景，Airbnb作为短租平台，旨在优化房东（host）和租客（guest）两方的偏好。这个场景的特点是一个用户很少会租同一个房间两次以及一个房间一段时间内只能接待一个用户。 Correspondingly,at Airbnb, a sh

介绍了目前上搜索和推荐在各行各业都非常的火热，但考虑到各行各业在排名、个性化和推荐的内容上的巨大差异，目前还没有一个通用的方案来解决所有领域的推荐问题。 而本文提出为airbnb这个全球的订房软件开发的部署列表和用户嵌入技术可以提高99%的推荐效果，并且已经在测试系统中完成测试。 介绍了最近几年机器学习运用到搜索排名中越来越多，因为机器学习需要大量的数据，而目前的技术可以搜集到大量的数据。

这次总结的文章是2018 kdd best paper，来自Airbnb的学长们。 由于从去年年底到现在一直在百度feed实习，也接触到了大量的推荐业务，其实生成embedding更是家常便饭，今天这篇文章更是把embedding思想发挥到了极致。 Airbnb作为全世界最大的短租网站，提供了一个连接房主（host）挂出的短租房（listing）和主要是以旅游为目的的租客（guest/user...

KDD 2018, August 19-23, 2018, London, United Kingdom Mihajlo Grbovic；Airbnb, Inc；San Francisco, California, USA Haibin Cheng Airbnb, Inc. San Francisco, California, USA 摘要 爱彼迎是一个双边市场，需要同时优化租户和房东的偏好。本文...

前言 Airbnb在2018年KDD的best-paper，关于向量化如何在民宿订购平台里的实时推荐实践的，写得非常实在。 业务特点 Aribnb他们具有非常鲜明的业务特点，是短租市场，且是个双向市场，既要优化商家又要优化租客，用户有非常强烈的搜索目标倾向。 短期兴趣 从哪里学短期兴趣？ 用户的一连串搜索及点击浏览行为中[session]，蕴含着其最终目标booking[订购]，为了能够表达...

一、背景 Airbnb的搜索团队基于他们的业务场景，基于embedding构建了实时搜索推荐系统。 具体到embedding方法上，Airbnb生成了两种不同的embedding，分别对用户的“短期”和“长期”兴趣进行编码。其中生成短期兴趣embedding的目的是进行房源的相似性推荐，以及对用户进行session内的实时个性化推荐。生成长期兴趣embedding的目的是在嘴中的推荐结果中照顾到用户之前的预定偏好，推荐更容易被用户预订的个性化房源。 二、基于短期兴趣的房源embedding方法 Airbnb

最近在公司一直在搞FM及FFM模型优化，也做了几把实验，但是对FM模型的原理仍是一知半解，理解的不是很透彻，加上最近又开始找工作了，因此对FM模型做下梳理加深理解。 一.FMFM解决的问题：大规模稀疏数据下的特征组合问题。 为什么要特征组合： 实践中通过观察大量的样本数据可以发现，某些特征经过关联之后，与label之间的相关性就会提高。例如“USA”与“Thanksgiving”，“China”与

文章目录前言单机单卡单机多卡分布式训练分布式训练架构：parameter server分布式训练策略：模型并行与数据并行模型并行数据并行复制训练: Replicated trainingin-graph replicationbetween-graph replication分布式参数配置MonitoredTrainingSession异步训练同步训练Distributed_mnist加载模型预测...

一、何为乘积量化 乘积量化（Product Quantization）简称 PQ。是和VLAD算法由法国INRIA实验室一同提出来的，为的是加快图像的检索速度，所以它是一种检索算法。现有的检索算法存在一些弊端，如 kd树不适合维度高的数据，哈希（LSH）适用中小数据集，而乘积量化这类方法，内存占用更小、数据动态增删更方便。 二、算法流程 PQ系列的算法流程分三个阶段：训练、量化、查询 2.1 训练 分段：假设样本向量维度D=64，PQ算法会先将原始的D维向量分成M段，假设M=8，那么一个原始向量就被分成8

Milvus 是什么 Milvus 于 2019 年开源，致力于存储、索引和管理由深度神经网络学习与其他机器学习模型生成的海量 Embedding 向量。 Milvus 向量数据库专为向量查询与检索设计，能够为万亿级向量数据建立索引。与现有的主要用作处理结构化数据的关系型数据库不同，Milvus 在底层设计上就是为了处理由各种非结构化数据转换而来的 Embedding 向量而生。 Milvus 2.0 是一款云原生向量数据库，采用存储与计算分离的架构设计，所有组件均为无状态组件，极大地增强了系统弹性和灵活性