KOEN
Read Original
#AI

탐색 단계의 사용자를 위한 여행지 추천 모델 구축기

탐색 단계의 사용자를 위한 여행지 추천 모델 구축기
01

Summary

"어디로 갈지 고민인가요?" 에어비앤비가 제안하는 취향 저격 여행지

트랜스포머와 지리적 맥락 학습으로 완성한 에어비앤비의 스마트한 목적지 추천 엔진

에어비앤비 공학 팀이 사용자의 막연한 탐색 의도를 구체적인 예약으로 전환하기 위해 개발한 추천 프레임워크의 상세 구조를 공개합니다. 사용자의 장단기 행동 패턴을 언어 모델처럼 학습하고 지리적 계층 구조를 반영하여 최적의 목적지를 제안하는 기술적 노하우를 담고 있습니다.

  • 01사용자의 검색, 조회, 예약 이력을 토큰화하여 트랜스포머 시퀀스 모델링 적용
  • 02도시와 상위 지역(Region)을 동시에 학습하는 멀티태스크 러닝으로 지리적 이해도 극대화
  • 03최근 활동 사용자와 장기 휴면 사용자의 특성을 반영한 정교한 트레이닝 데이터 샘플링
  • 04검색 자동 완성 및 리마인드 이메일을 통한 실제 비즈니스 임팩트 입증

RECOMMENDATION

사용자 시퀀스 데이터를 활용한 개인화 추천 시스템을 설계하거나, 복잡한 지리적 계층 구조를 모델에 녹여내고 싶은 시니어 엔지니어에게 일독을 권합니다.

The Problem

여행 계획의 초기 단계에 있는 에어비앤비 사용자들은 구체적인 목적지나 일정이 없는 모호한 의도를 보이는 경우가 많아, 이들의 탐색을 돕고 예약 결정의 마찰을 줄이는 데 어려움이 있었습니다.

The Solution

사용자의 예약, 조회, 검색 이력을 시퀀스 토큰으로 취급하는 트랜스포머 기반 모델을 구축하고, 도시와 지역 단위를 동시에 예측하는 멀티태스크 러닝과 활동/휴면 사용자를 구분한 데이터 학습 전략을 도입했습니다.

The Result

자동 완성 제안 및 검색 중단 알림 서비스에 배포한 결과, 특히 비영어권 지역에서 유의미한 예약 증가를 기록했으며 사용자들이 더 저렴한 인근 도시를 발견하도록 돕는 성과를 거두었습니다.

Trade-off

사용자의 개인화 옵션 거부 시 데이터 활용에 제약이 있으며, 현재는 목적지 추천에 집중되어 있어 여행 시기나 가격 선호도와의 완벽한 결합은 향후 개선 과제로 남아 있습니다.

03

Key Concepts

Concept · 01

Transformer

시퀀스 데이터 내의 관계를 어텐션 메커니즘을 통해 학습하는 딥러닝 모델 구조입니다.

  • 사용자의 예약, 조회, 검색 이력을 각각의 토큰으로 변환하여 행동의 맥락을 파악하는 데 활용되었습니다.
Concept · 02

Multi-task Learning

하나의 모델이 여러 관련 작업을 동시에 학습하여 범용적인 표현력을 높이는 기법입니다.

  • 도시 수준과 지역(Region) 수준의 예측 헤드를 동시에 두어 지리적 일관성을 학습하도록 설계되었습니다.
Concept · 03

Active vs. Dormant Users

최근 활동이 활발한 사용자와 장기간 방문이 없었던 사용자를 구분하여 모델링하는 전략입니다.

  • 각 사용자 그룹의 특성에 맞춰 예약 전 7일 데이터와 1년 전 데이터를 구분하여 학습 샘플을 구성했습니다.