Airbnb实时搜索个性化排序中的Embedding（长期兴趣待补充完）
目录
一、背景介绍
1、Airbnb介绍
论文：Real-time Personalization using Embeddings for Search Ranking at Airbnb
https://www.kdd.org/kdd2018/accepted-papers/view/real-time-personalization-using-embeddings-for-search-ranking-at-airbnb
参考：https://mp.weixin.qq.com/s/oJUzrZP_cxhiarq0w9Yqpg
2、Airbnb搜索
3、房主host和客人guest的交互行为
guest：click listing（点击）
guest：book listing（预定）
contact host（联系）
host：accept/reject（host对guest的预定请求）
accept/reject/no response（host对guest的联系请求）
二、论文简介
为了捕捉用户长期和短期的兴趣，不是简单的将用户的历史行为作为特征，而是将用户和行为进行embedding，再根据embedding的结果得到多个feature。论文就是介绍如何根据用户和行为listing，如何进行embedding的过程。
（1）短期兴趣：基于click listing生成listing的embedding。
目的：listing的相似推荐，实时个性化推荐
（2）长期兴趣：基于book listing生成user-type和listing-type的embedding。
目的：捕捉用户的长期兴趣。由于点稀疏，因此通过对user-type和book-type进行聚合，形成2个embedding对象。
1、短期兴趣
（1）listing序列的形成
一个是只有停留时间超过 30s 的 listing page 才被算作序列中的一个数据点，二是如果用户超过 30 分钟没有动作，那么这个序列会断掉，不再是一个序列。
（2）embedding方法框架：word2vec 的 skip-gram model
2、长期兴趣（待补充）
user-type和book-type进行聚合