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

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

这篇文章描述了在 Airbnb 实施深度学习搜索排名之后的 ABC 方案，包括架构、偏差和冷启动优化，其中包括新的排名神经网络、处理排名偏见的新方法和冷启动问题的解决方法。

Feb, 2020

研究在 Booking.com 上为用户推荐旅游目的地的算法性能，发现基于朴素贝叶斯模型的推荐算法相较于随机推荐和最流行推荐，在实时用户 A/B 测试中实现了显著用户参与度的提升。

Jun, 2015

该论文研究利用用户点击来进行学习排序的方法及其相关领域，提出了一个框架来统一在线、反事实和监督学习，并将其统一成一种通用且有效的排序学习方法。

Dec, 2020

使用机器学习建模方法，我们的研究目标是准确预测奥斯汀地区 Airbnb 租金价格，并探究影响这些价格的关键因素及其在不同位置和物业类型上的变化。

Aug, 2023

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

研究目的为了实现大学学术搜索平台，探讨搜索、排名和推荐技术，但由于缺乏大量基本事实数据，传统的排名技术和评估措施难以实现。该项目有助于提高用户的学术搜索体验，包括研究人员、出版物和研究领域信息，并对大学教师和学生的研究经验都有益。

Jul, 2022

该研究探讨了通过引入群组公平性来优化排序算法，以在双面市场被公正的利用，同时保证了理论和实践上的表现。

May, 2020