本文介绍了在 Airbnb 搜索排名应用中使用神经网络的工作，以期对解决性能瓶颈提供有用的指导。
Oct, 2018
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
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
本文研究了主动学习深度神经网络，并提出了一种新的主动策略，该策略能够在学习过程中搜索有效的架构，同时使用三种已知的查询技术（softmax response，MC-dropout 和 coresets）进行应用，结果表明该方法在固定架构的主动学习方面表现出显著的优势。
Nov, 2018
本文通过分类讨论搜索空间、搜索策略与性能估计策略三种维度，为神经架构自动搜索方法的存在研究提供了一个概述。
Aug, 2018
本文综述了现有的方法，囊括了计算机领域中的神经体系结构搜索、自动化方法和深度学习等方面，内容包括常用的体系结构搜索空间和基于强化学习和进化算法的体系结构优化算法、模拟模型和单次模型。同时，文章对新的研究方向进行了探讨。
May, 2019
本文提出了 COLD 算法，通过联合优化预排名模型和所需的计算量，在不损失模型性能的前提下，控制计算成本，实现了优异的性能表现。该算法可以广泛应用于推荐系统和在线广告等领域。
Jul, 2020
提出一种新的方法来找到最佳的 Azure Cognitive Search 配置，从而提高特定用例的搜索相关性，并通过将搜索相关性问题制定为超参数调整来改善关键的在线市场指标。
Dec, 2023
本文介绍了如何将深度学习模型应用到电商平台搜索系统的重要阶段之一 - 商品检索和排名中，以提高语义检索和个性化排名的效果。
Mar, 2021