ТЕХНОЛОГИЯ ЭКСПЕДИА ГРУПП - ДАННЫЕ
Группа Expedia @ RecSys 2021
Наш недавний научный вклад в область рекомендаций по жилью
В Expedia Group ™ ️ мы верим, что путешествия - это сила добра, и мы поддерживаем глобальные путешествия для всех и везде с помощью нашей технологической платформы, поддерживающей самые широкие предложения в индустрии туризма.
Из-за масштаба Expedia Group ™ ️ - 2019 количество бронирований превысило 107 миллиардов долларов при обслуживании сотен миллионов путешественников - очень небольшой процент улучшений является значительным. Таким образом, разработка и использование самых передовых алгоритмов для наших систем рекомендаций является ключом к наилучшему обслуживанию наших путешественников.
Ниже мы представляем три вклада в области рекомендательных систем, которые наша команда по машинному обучению представила на ACM RecSys 2021. Конференция проходила в Амстердаме, и Expedia Group ™ была горда быть серебряным спонсором.
Набор данных Expedia Group RecTour Research [бумага]
RecTour (РЕКОМЕНДАЦИИ в ТУРИЗМЕ) Мастер-класс RecSys 21
Этот документ содержит подробную информацию о наборе данных, который Expedia Group ™ ️ предоставила сообществу RecTour на 15-й конференции ACM по рекомендательным системам. Этот набор данных основан на реальных поисках и бронировании жилья путешественниками на веб-сайтах Brand Expedia, которые были анонимны для защиты личности потребителей и поставщиков. Намерение состоит в том, чтобы предоставить исследовательскому сообществу системы рекомендаций, и в частности исследователям путешествий, открытый и богатый набор данных для их работы. Мотивом для этого набора данных были многочисленные запросы, исходящие от конкурсов, спонсируемых Expedia Group ™, участники которых хотели использовать предоставленные данные для исследовательских целей.
Этот набор данных был разработан для удовлетворения этого конкретного спроса при сохранении конфиденциальности.
Juggler: многостороннее ранжирование с помощью метаобучения [paper]
Мастер-класс MORS (многоцелевые рекомендательные системы) RecSys 21
Тьяго Кунья, Иоаннис Парталас, Фонг Нгуен
Интернет-площадки должны оптимизировать рекомендации в отношении множества целей, чтобы оправдать ожидания различных заинтересованных сторон. Эта проблема обычно решается с помощью теории Парето, которая исследует несколько целей в предметной области и определяет целевые векторы, обеспечивающие наилучшую производительность. Однако такой подход требует больших вычислительных ресурсов и обычно доступен только через решения для конкретной предметной области, что не идеально для онлайн-рынков и их постоянно меняющейся деловой динамики.
Мы преодолеваем эти ограничения, предлагая структуру метаобучения для решения проблемы рекомендаций с участием многих заинтересованных сторон, которая способна динамически прогнозировать идеальные настройки того, как бизнес-правила должны быть включены в окончательные рекомендации. Структура разработана так, чтобы быть достаточно общей для использования в любой области ранжирования элементов, и требует только определения политики, то есть набора многоцелевых показателей, для которых должна оптимизироваться метамодель. Модель находит соответствие между контекстом поиска и соответствующими векторами наилучшей цели. Таким образом, модель может в режиме реального времени предсказать, что является лучшим решением для любого непредвиденного поиска, и, следовательно, адаптировать рекомендации на уровне поиска. Мы показываем, что в рамках этой структуры диапазон моделей, которые можно построить, зависит только от того, сколько политик может быть определено, тем самым предлагая практически неограниченный способ решения многоцелевых проблем.
Результаты экспериментов демонстрируют обобщающие способности этой структуры и ее высокую предсказательную способность. Кроме того, результаты моделирования подтверждают способность приблизительно соответствовать ожиданиям политики в большинстве случаев и намекают на возможность использования этой структуры во многих других задачах рекомендаций по элементам.
Hotel2Vec: изучение гостиничных встраиваний из пользовательских сеансов кликов с дополнительной информацией [бумага]
RecTour (РЕКОМЕНДАЦИИ в ТУРИЗМЕ) Мастер-класс RecSys 21
Иоаннис Парталас, Энн Морван, Али Садегян, Шервин Минаи, Синьсинь Ли, Брук Коуэн, Дейзи Чжэ Ван
Мы предлагаем новую архитектуру нейронной сети для обучения векторным представлениям элементов с атрибутами, в частности отелей. В отличие от предыдущих работ, которые обычно основаны только на моделировании взаимодействий пользователя с элементом для внедрения элементов обучения, мы предлагаем структуру, которая объединяет несколько источников данных, включая клики пользователей, атрибуты отелей (например, тип собственности, звездный рейтинг, средний рейтинг пользователя). , информация об удобствах (например, есть ли в отеле бесплатный Wi-Fi или бесплатный завтрак) и географическая информация, которая использует гексагональную геопространственную систему, а также пространственные кодеры. Во время обучения модели совместное встраивание извлекается из всей вышеупомянутой информации. Мы показываем, что включение структурированных атрибутов отелей позволяет нам делать более точные прогнозы в последующих задачах, чем когда мы полагаемся исключительно на данные о кликах. Мы обучаем нашу модель встраивания на более чем 60 миллионах пользовательских кликов на ведущей онлайн-платформе для путешествий и изучаем встраивания для более чем одного миллиона отелей. Наши окончательные выученные вложения объединяют отдельные вложенные элементы для кликов пользователей, атрибутов отелей и географической информации, обеспечивая представление, которое можно гибко использовать в зависимости от приложения.
Важным преимуществом предложенной нейронной модели является то, что она решает проблему холодного запуска для отелей с недостаточной исторической информацией о кликах за счет включения дополнительных атрибутов отеля, которые доступны для всех отелей.
Мы показываем результаты онлайн-теста A / B проверить, что наша модель генерирует высококачественные представления, которые повышают эффективность системы рекомендаций отелей на крупной онлайн-платформе для путешествий.
Дополнительная работа Expedia Group над рекомендательными системами
- Контекстные бандиты для оптимизации порядка модулей веб-страниц, Федор Парфенов, Павлос Мицулис, «Marble (Multi-ARmed Bandits and Reinforcement LEarning) KDD 2021 Мастерская"
- Выравнивание гостиничных встраиваний с использованием адаптации домена для рекомендаций по следующему пункту, Иоаннис Парталас, eCom (электронная коммерция) SIGIR 21 Workshop
- Многоцелевое обучение для переоценки подхода к оптимизации онлайн-рынков для множества заинтересованных сторон, Фонг Нгуен , Джон Дайнс, Ян Краснодебски, Семинар RecSys 2017 по VAMS (ориентированная на ценность и многосторонняя рекомендация)
- Expedia Group x ENTER 21 Конкурс по науке о данных, Адам Возница, Ян Краснодебски
- Рекомендации отелей Expedia: какой тип отелей выберет клиент Expedia?, Адам Возница, Ян Краснодебски, конкурс Kaggle 2016
- Персонализируйте поиск отелей Expedia - ICDM 2013: научитесь ранжировать отели, чтобы увеличить количество покупок, Адам Возница, Ян Краснодебски, конкурс Kaggle 2013
- Многосторонняя рекомендация: исследования и направления исследований, Химан Абдоллахпури, Гедиминас Адомавичус, Робин Берк, Идо Гай, Дитмар Яннах, Тошихиро Камишима, Ян Краснодебски, Луис Пиццато, Модель пользователя User-Adap Inter 30, 127–158 (2020)
- Голос основных игроков в сфере электронного туризма: перспектива группы Expedia, Ян Краснодебски, Справочник по электронному туризму, 1–26, Springer International Publishing (2020)
Соавторами этой статьи являются: Тьяго Кунья, Ян Краснодебски, Энн Морван, Фонг Нгуен, Иоаннис Парталас и Адам Возница.
И мы нанимаем, ознакомьтесь с нашими последними вакансиями, связанными с машинным обучением!
