arXiv · 17.06.2026 ·ИИ в бизнесе

JourneyFormer: как Airbnb моделирует путь пользователя с помощью трансформеров

Инженеры Airbnb представили архитектуру JourneyFormer, предназначенную для анализа длинных и сложных последовательностей действий пользователей на платформе. В отличие от стандартных рекомендательных систем, эта модель учитывает специфику поведения гостей, где история бронирований и просмотров может быть крайне растянутой во времени, а данные о целевых действиях — разреженными.

Ключевая сложность при работе с такими данными заключается в их неоднородности и большом объеме. Разработчики применили методы последовательного моделирования, чтобы точнее предсказывать намерения пользователей и персонализировать выдачу жилья. Модель эффективно справляется с задачей кодирования контекста, позволяя системе лучше понимать, на каком этапе планирования поездки находится гость.

Внедрение JourneyFormer позволило компании оптимизировать ранжирование объектов в условиях высокой неопределенности пользовательских предпочтений. Использование трансформерных архитектур для обработки исторических логов стало важным шагом в развитии рекомендательных алгоритмов Airbnb, обеспечивая более точное соответствие между поисковыми запросами и реальными потребностями аудитории.

Источник: arXiv

Похожие материалы

arXiv · Оркестрация агентов Как извлекать осмысленные workflows из логов действий пользователей Исследователи из MIT и Стэнфорда предложили метод для преобразования последовательностей действий пользователей в интерпретируемые workflows. В работе рассматриваются лог-файлы с временными метками, которые фиксируют взаимодействие пользователей с цифровыми продуктами. Однако из-за высокой детализации и шума в данных сложно выделить осмысленные паттерны поведения. arXiv · Машинное обучение Трансформеры для решения уравнений на сложных геометриях Исследователи из MIT и других ведущих университетов представили новый подход к использованию трансформеров для решения задач, связанных с дифференциальными уравнениями на сложных геометриях. Традиционные методы, основанные на нейронных операторах, ограничены фиксированным размером области, что затрудняет их применение в реальных сценариях, где размеры могут варьироваться. Hacker News · Исследования и наука Next-Latent Prediction: новый подход к обучению компактных моделей мира Исследователи представили метод Next-Latent Prediction (NLP), который меняет подход к обучению трансформеров для моделирования динамических сред. В отличие от традиционных моделей, предсказывающих будущие токены в пространстве пикселей или дискретных состояний, этот метод фокусируется на прогнозировании скрытых представлений (латентных векторов). Такой подход позволяет модели сжимать информацию о визуальных и физических процессах, отсекая избыточные детали и концентрируясь на ключевых закономерностях среды. Hacker News · Инфраструктура для агентов Автоматическая маршрутизация запросов для оптимизации стоимости и скорости LLM Компания Factory представила инструмент для автоматической маршрутизации запросов между различными языковыми моделями. Система в режиме реального времени анализирует входящие задачи и перенаправляет их на наиболее подходящую модель, исходя из заданных параметров стоимости и времени отклика. Такой подход позволяет компаниям снизить расходы на API, не жертвуя качеством ответов в критически важных сценариях. Hacker News · ИИ в бизнесе Автоматизация быта: кейс использования ИИ-агентов для управления домашним хозяйством Предпринимательница Джесси Дженет внедрила систему автономных ИИ-агентов для управления повседневными процессами в своем домохозяйстве. Вместо делегирования задач людям, она выстроила цепочку автоматизации, которая координирует планирование питания, закупки, ведение календаря и коммуникацию с подрядчиками. Система работает на базе нескольких специализированных моделей, каждая из которых отвечает за свой сегмент операционной деятельности семьи. arXiv · Машинное обучение LEAF-X: новый фреймворк для объяснения работы трансформеров в ASR Исследователи из MIT и других университетов представили LEAF-X — фреймворк для объяснения работы трансформерных моделей автоматического распознавания речи (ASR), таких как Whisper. Эти модели демонстрируют высокую точность, но их предсказания остаются «чёрными ящиками». Существующие методы объяснения ИИ (XAI) часто страдают от несоответствия между объяснениями и реальной работой модели, а также от отсутствия точной временной привязки. arXiv · Модели и релизы Новый подход к долгосрочному прогнозированию временных рядов Исследователи из Arxiv представили новый метод HAMON, который использует пассивное оптическое смешивание последовательностей для долгосрочного прогнозирования временных рядов. Этот подход демонстрирует, что простые линейные и частотные модели могут быть конкурентоспособными в задачах долгосрочного прогнозирования, что ставит под сомнение необходимость использования сложных трансформерных моделей в этом контексте. Hacker News · Инфраструктура для агентов Оптимизация затрат на ИИ через маршрутизацию задач между моделями Разработчики представили плагин для Claude Code, который внедряет систему интеллектуальной маршрутизации запросов. Инструмент анализирует сложность поступающих задач и автоматически перенаправляет простые операции на специализированные компактные языковые модели (SLM), оставляя ресурсоемкие процессы для более мощных систем. The latest research from Google · Машинное обучение Sequential Attention: как ускорить модели без потери точности Исследователи Google предложили новый подход к оптимизации трансформеров — Sequential Attention. Он позволяет значительно сократить вычислительные затраты на инференс, не жертвуя точностью. В основе метода лежит идея последовательного внимания: вместо параллельной обработки всех токенов модель фокусируется на одном токене за раз, используя информацию из предыдущих шагов. Это снижает сложность вычислений с O(n²) до O(n log n), что делает модели более эффективными для локального развертывания и работы в реальном времени. Hugging Face - Blog · Другое Direct Preference Optimization за пределами чатботов Исследователи из Dharma AI представили новый подход к Direct Preference Optimization (DPO), который выходит за рамки традиционных чатботов. В статье на Hugging Face они демонстрируют, как DPO может быть применён для улучшения поведения ИИ-агентов в более сложных сценариях, включая многозадачные и интерактивные системы.

← Все материалы