主要參考Airbnb的房屋租賃推薦系統
（Real-time Personalization using Embeddings for Search Ranking at Airbnb）
P2P租車與Airbnb的房屋租賃在業務邏輯上是高度相似的，都屬於短期租賃的雙邊市場，一個顧客很少會預定同一臺車多次，一臺車在某時間段內只能被一個顧客租用，車主有可能拒絕出租，數據存在嚴重的稀疏性，所以這裏參考Airbnb在房屋租賃上的架構。主要分爲兩大模塊，search ranking和similar listing recommendation，similar listing recommendation推薦相似車型，search ranking負責搜索排序。下面將分別闡述兩大模塊的設計方法，在此之前，要先介紹下embedding,其是兩大模塊都將用到的策略。
Embedding,最早是源於NLP領域，後來得到推廣，現已被廣泛應用於各個領域。這裏用到的embedding策略有兩種不同的方式，一種是listing embeddings,一種是user-type&listing-type embeddings, 分別用於short-term real-time personalization和long term personalization,捕捉的是用戶的短期行爲信息和長期行爲信息。下面分別介紹兩種不同的embedding策略。
(1)listing embeddings
每次用戶的連續點擊不同listing的連貫行爲被稱爲一個session,如果這次的session最終有成功book一臺車，則稱爲booked session,那個被預定的listing被稱爲booked listing;這次的session沒有成功book一臺車，則稱爲exploratory session。在剔除掉一些質量不好的session後,由這些session我們便可以構建出數據集S，將session中的listing視作word,整個session視作sentence,便可以使用the skip-gram model,並配合negative sampling approach技術進行訓練，便可以得到listing embedding。同時，在這裏，結合業務場景，可以對the skip-gram model進行一些修改，1在booked session中，將Booked listing作爲global context,其將總是出現在每次的滑動窗口內參加訓練，畢竟我們模型的目的就是爲了更多地促進book行爲。2租車行爲通常在一個窗口期內都集中在一個固定的地區，所以在用negative sampling approach時應注意多從與正樣本相同的一個地區內進行隨機採樣，以保證樣本的均衡。使用listing embedding有很多的好處，其中一個體現在冷啓動中，當一個新的listing上線時，我們便可以用與其相似的其它n個listing的embedding的均值作爲其embedding。
(2)user-type&listing-type embeddings
listing只能捕獲短期的用戶行爲信息，要利用用戶的長期行爲信息，我們應使用user-type&listing-type embeddings，將同樣類型的user映射到同一個embedding上，同樣類型的listing映射到跟user-type embedding在同一個空間的embedding上，以此來解決數據的稀疏性問題。這裏，把一個用戶連續book過的listing，配合每次book時用戶所屬的類型， 形如
，構建出一個session,把這些session組合成Sb數據集，同樣使用the skip-gram model，配合negative sampling approach便可以訓練出user-type & listing-type embeddings，同樣，在這裏，可以結合業務場景對the skip-gram model進行一些修改，將那些被rejection的listing作爲負樣本加入the skip-gram model訓練會得到更好的結果，在對用戶推薦時可以把可能拒絕他們的listing往後排。
在介紹完embedding技術後，我們來介紹similar listing recommendation和search ranking。
一，similar listing recommendation用於推薦相似車型，當用戶點擊某個具體的listing時，在旁邊的similar listings carousel即使用similar listing recommendation給用戶推薦與那個listing相似的其它車。可以注意到，用戶在某時點擊一個具體的listing,這屬於一個短期的用戶行爲，所以這裏可以直接使用前面訓練得到的listing embedding。使用兩輛車的listing embeddings間的cosine similarity作爲衡量其相似的程度，把那些相似度最高的並且可以被用戶租用（即跟用戶的需求屬於同一個地區並且沒被其它人租走）的車推薦給用戶。
二，search ranking，當用戶使用自己的個人信息和意願進行搜索時，其將返回給用戶最匹配的listing,其中根據匹配程度對listing進行排序，越匹配的放在越前面。對search ranking，其可以轉化爲一個pairwise regression with search label的問題，我們需要構建數據集並使用Lambda Rank算法進行訓練。把一次search構建爲形如Ds =(x i ,y i ),i = 1 …K ,其中xi代表某個listing的特徵，y i ∈ { 0 , 0 . 01 , 0 . 25 , 1 ,− 0 . 4 } ，每個標籤的含義如下，0是用戶看到了某個listing卻將其忽略，0.01是用戶點擊了某個listing,0.25是用戶聯繫了某listing的主人但最後並未book,1是用戶book了某listing,-0.4是用戶被某listing的主人拒絕了，注意在構建Ds的時候，裏面必須含有book成功的數據，即對應的yi=1。最後把合格的Ds組合在一起形成數據集D。上面說了，xi代表某個listing的特徵，這裏說的特徵包括listing features,user features,query feature和cross-features,以及在Airbnb架構中被證明極爲有用的listing embedding feature和User-type & Listing-type Embedding Features。其中，listing embedding feature是使用listing embedding進行構建的，我們蒐集用戶在過去兩週內的行爲，比如點擊過某個listing，忽略過某些本來在排序中排名很高的listing等，將這些行爲對應的listing的list embedding與某個樣本的listing embedding進行cosine similarity的計算，並將計算值作爲這個樣本的特徵，這些特徵名形如EmbClickSim,EmbWishlistSim等。User-type & Listing-type Embedding Features則只要使用對應用戶的User-type embedding和對應某樣本listing的 Listing-type Embedding進行cosine similarity的計算，並將計算值作爲特徵即可。這樣把特徵都一一構建完畢（據Airbnb的架構說其使用了一百個左右的特徵），便可以投入模型用Lambda Rank算法進行訓練，訓練完畢後便可投入使用。