利用多任务学习优化 Airbnb 搜索旅程

在 Airbnb 这个住宿与体验的在线市场中，客人通常在发出最终预订请求前会花费数周时间探索和比较多个房源。每个预订请求随后可能在入住前被房东拒绝或取消。搜索旅程的长周期与探索性，以及平衡客人和房东偏好的需求，给 Airbnb 搜索排序带来了独特挑战。在本文中，我们提出 Journey Ranker，一种解决这些挑战的新型多任务深度学习模型架构。Journey Ranker 利用中间客人动作作为里程碑（包括正向和负向），以更好地推动客人走向成功预订。它还使用诸如客人状态和搜索查询等上下文信息来平衡客人和房东偏好。其模块化且可扩展的设计由四个职责清晰分离的模块组成，便于应用到 Airbnb 搜索排序语境之外的用例。我们对 Journey Ranker 进行了离线和在线测试，并成功将其部署到生产环境中，应用于四种不同的 Airbnb 产品，取得了显著的业务指标提升。