devgo.cn核心观点
- Airbnb构建了基于Transformer的序列模型，将用户长达七年的行为（预订、浏览、取消等）编码为向量，替代传统手工特征，实现更精准的搜索排序。
- 为解决长序列计算难题，将用户行为拆分为长期序列（7年，最多80个事件）和短期序列（21天，最多200个浏览），分别建模后融合。
- 通过搜索批处理（一次编码多次路由）、长度分桶和稀疏计算等优化，训练吞吐量提升约4倍；服务时采用离线预计算+在线实时检索的分离架构，保证低延迟。
- 分三阶段上线：先长期序列，再加短期序列，最后引入集合排序器（setwise ranker），离线NDCG累计提升3.78%，在线指标显著增长（uncanceled bookers +0.55%等）。
- 该方法相比传统手工特征更可扩展，能捕捉用户深层偏好，尤其适合预订转化率优化场景。
内容精讲
Airbnb的搜索排序系统长期依赖手工特征，如历史预订总数、平均价格等聚合统计。随着特征数量增长到数百个，这种方法的可扩展性和表达能力逐渐受限。为了更全面地理解用户偏好，Airbnb团队决定采用Transformer序列模型，直接编码用户的完整旅程——包括过去七年的预订、评价、取消以及近21天的浏览行为。
用户行为序列面临三大挑战：一是浏览事件占绝大多数，部分用户积累数十万次浏览，直接建模计算不可行；二是预订事件稀疏且噪声大，浏览可能反映真实意图也可能只是随意浏览；三是训练成本高昂，需要优化。为此，团队将用户序列拆分为两部分：长期序列（过去7年，最多80个事件）捕获预订、评价等低频但信息丰富的事件；短期序列（过去21天，最多200个浏览）反映近期浏览意图。两个序列共享统一的嵌入表，对高基数ID（如房源、房东）和层级地理ID进行编码。
训练效率方面，团队实现了三项关键优化。最有效的是搜索批处理：由于编码器使用因果掩码，一次前向传播即可生成所有时间步的嵌入，将多次搜索路由到对应中间嵌入，避免重复编码。此外，通过长度分桶减少批内填充浪费，以及稀疏计算消除排名模型中的填充搜索，三者共同带来约4倍的训练吞吐提升。服务时，序列编码器作为每日批处理任务离线运行，生成用户嵌入并存储；当用户发起搜索时，排名模型实时检索对应嵌入，结合当前查询对候选房源打分，保持低延迟。
系统分三阶段上线。第一阶段仅引入长期序列，离线NDCG提升0.44%，验证了序列学习用户表征的有效性。第二阶段加入短期序列，带来额外1.04%的提升（累计1.48%）。第三阶段引入集合排序器（setwise ranker），与序列编码器联合训练，相比逐一点排序器，它能同时考虑一组候选房源，理解相对差异，进一步带来2.3%的提升。最终离线NDCG累计提升3.78%，在Airbnb持续优化十余年的排名系统中，0.3%的提升即被视为显著，3.78%是巨大飞跃。
在线A/B测试也证实了效果。仅长期序列：uncanceled bookers +0.31%，views +0.38%。加入短期序列后：uncanceled bookers +0.55%，uncanceled nights +0.82%，views +0.90%，均统计显著。这表明模型能将用户更喜欢的房源排到更高位置，帮助用户更高效地找到心仪房源。
阅读价值
本文适合搜索推荐工程师、AI应用开发者和架构师阅读。通过Airbnb的实践案例，可以学习如何用Transformer处理长序列用户行为、如何平衡计算效率与模型效果，以及如何在工业级系统中分阶段落地复杂模型。
内容与图片版权归原作者所有 · 原文: https://medium.com/airbnb-engineering/personalizing-airbnb-search-by-learning-from-the-guest-journey-bcefd1915624?source=rss----53c7c27702d5---4