背景
Real-time Personalization using Embeddings for Search Ranking at Airbnb作为embedding的工业级应用非常经典，于是继续follow了这篇Applying Deep Learning To Airbnb Search，主要是阐述airbnb在应用深度学习进行排序的尝试和思考，重点在特征方面（预处理和重要性分析），而不是模型结构上。大家可能会觉得奇怪，深度学习不就是可以天然解决特征工程问题吗，为啥还把重点放在特征工程方向？下面一一解释。
划重点
参考文献对于整个论文从头到尾都有比较好的翻译和解释，我就不赘述了。我聊聊我觉得论文比较有代表性的几个点。
- 模型结构
- 本身airbnb的搜索就是一个listwise类型的排序
- 用lammdarank来直接优化ndcg
- 对比了gbdt、gvdt+fm+nn和dnn，发现数据达到一定规模的时候，dnn表现就很好了
- 特征分布平滑
- 输入nn的特征平滑分布非常重要，因为他们发现模型的参数层数越往后面越平滑
- 标准分布就用z-score进行归一化，幂分布就用log进行平滑。
- 如何测试呢？让某一个，然后特征数据进行n倍的放大，看ndcg的变化。
- 同时分析特征的分布能发现一些bug或者特征提取没考虑到的地方，比如将item经纬度特征转为用户离item距离的特征就会更平滑很多。
- 模型超参数调整
- Xavier初始化参数很重要
- LazyAdamOptimizer会更快
- Batch size设置为200，调整影响不大
- Dropout没啥用
- 特征重要性分析
- 分数分解，直接把分数分解到特征上，但是有非线性激活函数存在，这种分析不对
- 单特征法，去掉一个特征看模型变化，大概能观察，但是也不确定
- 随机打乱，对某个特征的值打乱观察最后的结果变化，不好说
- topbot分析，就是对结果排序，分析top和bot的item对应特征的取值分布，来比较，证明有效
- 失败的尝试
- id直接编码，过拟合，因为id embedding需要比较多的数据才能更好的学习，但是booking数据太少了，直接优化booking就过拟合了
- 多任务学习，只提升了long view，booking并没提高
参考文献
深度学习在 Airbnb 中的探索与应用
论文阅读之“Applying Deep Learning To Airbnb Search”
Airbnb: 深度学习在搜索排序业务中的探索与演进（二）
