Публикации Booking.com на 16-й конференции ACM по системам рекомендаций
Миссия Booking.com — сделать мир более доступным для всех. Мы инвестируем в технологии, которые помогают облегчить путешествия, и мы беспрепятственно соединяем миллионы путешественников с незабываемыми впечатлениями, вариантами транспорта и невероятными местами для проживания. Для достижения этой цели мы персонализируем опыт для каждого из наших клиентов, использующих наши продукты. Мы рады сообщить, что Booking.com является золотым спонсором ACM RecSys 2022 в Сиэтле. Ознакомьтесь с работой, которую мы делаем над рекомендательными системами, и которая будет представлена на конференции.
Персонализация распределения льгот без траты денег
Дима Гольденберг, Хавьер Альберт
Современные платформы электронной коммерции используют рекламные предложения, такие как скидки и вознаграждения, чтобы побудить клиентов совершать покупки. Хотя предложение рекламных акций оказывает большое влияние на продажи, оно также приводит к денежным потерям. Используя причинно-следственное машинное обучение и оптимизацию, наша команда в Booking.com смогла персонализировать распределение рекламных акций среди клиентов, эффективно контролируя расходы в рамках заданного бюджета.
В этом выступлении мы поделимся методами персонализированного назначения рекламных акций. , такие как моделирование повышения и оптимизация с ограничениями, которые помогли нам предсказать результаты предложения скидок и эффективно их распределить. Это решение позволило нам разблокировать рекламные кампании, чтобы повысить ценность для клиентов и расширить наш бизнес.
Демократизация персонализации в рамках центральной рекомендательной платформы
Чана Росс, Томер Овадия, Джейк Муни, Амит Мейтин, Эйтан Кабилоу, Муш Кабало и Дима Гольденберг
Рекомендательные системы играют решающую роль на платформах электронной коммерции, уменьшая проблему информационной перегрузки, предоставляя и расставляя приоритеты релевантной информации на основе неявных и явных предпочтений пользователя. Крупные платформы электронной коммерции часто полагаются на множество моделей машинного обучения одновременно для оптимизации многих аспектов сайта, которые можно улучшить. Иногда существуют повторяющиеся рекомендательные системы, решающие аналогичную или даже одну и ту же рекомендательную задачу. Такая ситуация часто возникает
из-за меняющихся бизнес-целей, ограничений вариантов использования или даже просто из-за отсутствия синхронизации между командами в крупной организации. В этой работе мы демонстрируем централизованную рекомендательную платформу на Booking.com — одной из ведущих мировых онлайн-платформ для путешествий. Система создана, чтобы уменьшить дублирование работы, предоставить утилиты для авторов новых моделей рекомендаций, повысить эффективность за счет ускорения принятия лучших решений для общих проблем с рекомендациями и служить единой надежной точкой доступа для рекомендаций на веб-сайте. Это позволяет нам демократизировать использование рекомендаций в компании и упростить разработку новых сложных моделей. Это, в свою очередь, позволяет стандартизировать задачи рекомендаций и увеличивает внедрение систем рекомендаций различными продуктовыми командами, чтобы обеспечить индивидуальный подход к каждому из наших клиентов.
Расширение конвейера Open Bandit для моделирования отраслевых задач
Семинар ПОСЛЕДСТВИЯ+РАСКРЫТИЕ
Брэм ван ден Аккер, Никлас Вебер, Фелипе Мораес и Дима Гольденберг
Бандитские алгоритмы часто используются в индустрии электронной коммерции для обучения систем машинного обучения (ML), когда предварительно размеченные данные недоступны. Однако отраслевые условия создают различные проблемы, которые делают реализацию бандитских алгоритмов на практике нетривиальной задачей. В этой статье мы подробно расскажем о проблемах оптимизации, не соответствующих правилам, задержке вознаграждения, отклонении концепции, дизайне вознаграждения и ограничениях бизнес-правил, с которыми сталкиваются специалисты Booking.com при применении бандитских алгоритмов.
Наш основной вклад — это расширение платформы Open Bandit Pipeline (OBP). Мы предоставляем компоненты моделирования для некоторых из вышеупомянутых проблем, чтобы предоставить будущим практикам, исследователям и преподавателям ресурсы для решения проблем, возникающих в индустрии электронной коммерции.
Семинар RecSys по рекомендациям в туризме
Мастерская RecTour’22 — Дима Гольденберг
Этот однодневный семинар, проводимый совместно с ACM RecSys 2022, посвящен конкретным проблемам рекомендательных систем в сфере туризма. Планирование отпуска обычно включает в себя поиск набора продуктов, которые взаимосвязаны (например, транспорт, жилье, достопримечательности) с ограниченной доступностью и где контекстные аспекты могут иметь большое влияние (например, время, местоположение, погода). RecTour 2022 направлен на привлечение презентаций новых идей для продвижения современного уровня развития в области рекомендаций по туризму; Темы включают конкретные приложения и тематические исследования (оценка), конкретные методы и приемы, контекст и мобильность, проблему холодного запуска, выявление предпочтений, а также эмоции и рекомендации. Исследователям и практикам из разных областей предлагается представить исследовательские и позиционные документы, проектные идеи, а также демонстрационные системы.
Предыдущая работа Booking.com над системами рекомендаций
Системы рекомендаций являются ключевыми компонентами портфеля Booking.com ML. Ознакомьтесь с нашими предыдущими публикациями на эту тему:
- Моделирование в рекомендательных системах: отраслевой взгляд Лукас Бернарди, Сакши Батра, Синтия Брускантини -Семинар SimuRec’ 21
- Рычаги оптимизации для персонализации рекламных акций в условиях ограниченного бюджета Дима Гольденберг, Хавьер Альберт, Гай Цыпе - МОРС 21 Мастерская»
- Я знаю, что вы сделали следующим летом: проблемы с рекомендациями по туристическим направлениям Дима Гольденберг, Сарай Мизрахи, Адам Горовиц, Иоаннис Кангас , Или Левкович, Алессандро Моццато, Мод Шворер,Микеле Ферретти, Панагиотис Корвесис, Лукас Бернарди - Мастерская RecTour '21
- Системы рекомендаций для персонализированного пользовательского опыта: уроки, извлеченные в Booking.com Иоаннис Кангас, Мод Шворер, Лукас Бернарди -RecSys'21
- "Бесплатный ланч! Моделирование ретроспективного роста для рекомендаций по динамическому продвижению в рамках ограничений рентабельности инвестиций»
Дима Гольденберг, Хавьер Альберт, Лукас Бернарди, Пабло Эстевес - RecSys '20 - 150 успешных моделей машинного обучения: 6 уроков, извлеченных на Booking.com
Лукас Бернарди, Темис Мавридис, Пабло Эстевес — KDD '19 - Booking.com Challenge
Дима Гольденберг, Костя Кофман, Павел Левин, Сарай Мизрахи, Мааян Кафри, Гай Надав, веб-тур на WSDM '21 - Объединение контекстных функций в системах рекомендаций с учетом последовательности Сарай Мизрахи, Павел Левин — RecSys ‘19
- За пределами алгоритмов: ранжирование по шкале на Booking.com
Фемис Мавридис, Сорайя Хаусл, Эндрю Менде, Роберто Пагано — ComplexRec @ РекСис '20 - Рекомендуемые фильтры приспособления для онлайн-обучения
Лукас Бернарди, Пабло Эстевес, Матиас Эйдис, Экбал Усама — ORSUM @ RecSys ‘20 - Персонализация на практике: методы и приложения
Дима Гольденберг, Костя Кофман, Хавьер Альберт, Сарай Мизрахи, Адам Горовиц, Ирэн Тейнемаа — WSDM '21 - Набор данных Booking.com о поездках по нескольким направлениям
Дима Гольденберг, Павел Левин, — SIGIR ‘21 - Моделирование подъема: от каузального вывода к персонализации
Ирэн Тейнемаа, Хавьер Альберт, Дима Гольденберг- WWW ‘21