提出一种两阶段的方法来解决旅游预订系统中下一个目的地城市推荐问题，采用启发式方法进行候选选择和基于注意力神经网络模型的候选人重新排序，使用该方法在 Booking.com 挑战赛上获得第 5 名，使用了学习排序方法和自然语言处理中的 transformer 架构

Mar, 2021

对于 Airbnb 的用户体验，本研究通过重新设计地图上的列表排名算法，使其适应不同于以列表形式呈现的搜索结果的地图界面，从而获得了极大的改进。

Jun, 2024

本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

Oct, 2019

本文提供了一个来自知名在线旅行平台的新颖的真实客户评论数据集，总计超过 200 万条评论来自 5 万个不同的住宿场所。并且，我们提出了一种创新的个性化评论排序方法，该方法采用对比学习来复杂地捕捉评论与其相关评论者的情境信息之间的关系。通过全面的实验研究，我们证明我们的方法在所有报告的指标上超过了几个基准线。通过比较分析，我们展示了我们的方法在提升个性化评论排序中的有效性。我们的研究的意义超越了旅行领域，在其他需要个性化评论排序的重要领域，如在线电子商务平台，也具有潜在的应用。

Jun, 2024

该文章描述了几种算法来实现协同过滤或推荐系统，并使用不同的评估方法比较了它们的预测准确性。结果表明，在大多数情况下，每个节点具有决策树的贝叶斯网络和相关性方法优于贝叶斯聚类和向量相似度方法。

Jan, 2013

本文介绍了 Journey Ranker 方法，它是一个新的多任务深度学习模型结构，可以解决 Airbnb 搜索排名中的独特挑战，包括为了平衡客户和主机的偏好而使用上下文信息的长时间探索之旅以及需要拒绝或取消预订请求等。经过离线和在线测试，Journey Ranker 已成功部署在 Airbnb 的四个不同产品上，并显着提高了业务指标。

May, 2023

本文提出了一种评估算法来预测历史日志数据中排名列表上的点击数，并使用用户与项目列表的交互模型来构建统计效率更高的估计器。实验结果表明，相对于先前的估计器，该算法具有更高的性能表现。

Apr, 2018

本文介绍了基于历史数据的线下评估方法，计算新推荐系统版本可能带来的收益提升，提供对实际环境下偏差建模的反事实估计量的变量，通过在线广告个性化产品推荐引起商业指标相关性的商业实验来检验这些估计值。

Jan, 2018

本研究提出了一种估计用户对焦点网站的个人偏好的方法，利用用户在网站上的互动数据计算其对焦点网站的在线参与份额，并且展示了通过焦点网站的数据进行模型评估的框架。

Dec, 2023

使用基于神经网络的学习技术应用于排名方法和考虑列表间的相似性使预计预定概率更加准确，以提高两个方面的市场 Airbnb 的搜索匹配效率及对于大规模排名系统的实现能力。

Sep, 2022