在 Airbnb 学习多样化排序

Airbnb 是一个双边市场,将拥有待租房源的房东与来自全球各地的潜在房客联系在一起。应用基于神经网络的学习排序(learning to rank)技术已显著改善了房客与房东的匹配。这些排序改进由一项核心策略驱动:按估计的预订概率对房源排序,然后迭代改进技术使这些预订概率估计越来越准确。该策略中隐含了一个假设:房源的预订概率可独立于搜索结果中其他房源确定。本文中我们讨论这一在常用学习排序框架中普遍存在的假设是错误的。我们提供了修正该假设的理论基础,并基于此提出了高效的神经网络架构。显式考虑房源间可能的相似性并降低之以使搜索结果多样化,产生了强劲的积极影响。我们作为该理论的在线 A/B 测试的一部分讨论了这些指标提升。我们的方法为大规模生产排序系统的搜索结果多样化提供了一种实用途径。