에어비앤비, 자연어 검색 콜드 스타트 해결하는 CASTLE 프레임워크 공개

에어비앤비가 자연어 검색의 콜드 스타트 문제를 해결하기 위해 CASTLE(Contrastive And Seed-guided Training for natural Language sEarch) 프레임워크를 공개했다. 이 프레임워크는 비식별화된 예약 데이터를 기반으로 합성 쿼리와 관련성 레이블을 동시에 생성한다. 기존 InPars나 Promptagator는 분포 불일치로 인해 실제 사용자 행동 대비 KL 발산값이 9.33에서 26.2 사이로 높게 나타났으나, CASTLE은 실제 예약 신호를 활용해 이 격차를 좁혔다.

대조적 접지 메커니즘

핵심은 예약 세션에서 파생된 대조적 리스팅 쌍을 사용하는 것이다. 게스트가 대안을 본 후 특정 리스팅을 예약하면, 예약된 리스팅은 양의 예시로, 보고도 예약하지 않은 대안은 음의 예시로 처리한다. LLM은 양의 예시를 충족하지만 음의 예시는 충족하지 않는 쿼리를 생성하여, 사후 판단 없이 관련성 레이블의 정확성을 보장한다. 이 방식은 LLM 생성 레이블의 순환 논리를 피하고 합성 쿼리를 실제 사용자 의도와 일치시킨다.

성능 및 분포 정합성

CASTLE은 실제 사용자 쿼리 대비 KL 발산값 1.01을 기록하며, 최선 베이스라인인 Promptagator(9.33) 대비 9.2배 개선된 성능을 보였다. 생성된 쿼리는 실제 언어 패턴과도 일치하는데, 단어 수 표준편차가 σ = 2.48로 실제 사용자(σ = 2.49)와 유사하며 베이스라인(σ = 0.99)보다 우수하다. 인간 평가에서도 어노테이터의 CASTLE 관련성 할당 동의율이 **91–93%**로 높은 레이블 품질을 확인했다.

프로덕션 준비 및 향후 과제

이 프레임워크는 예약 이력이 없는 리스팅을 위한 Virtual Judge와 실제 트래픽이 누적되는 환경을 위한 CASTLE-R 변형을 포함한다. 롱테일 의도를 오버샘플링하여 실제 데이터가 확보된 후에도 가치를 제공한다. 해당 연구는 CIKM 2026의 풀 페이퍼로 채택되었으며, 에어비앤비는 멀티턴 대화형 검색으로의 확장 가능성을 검토 중이다.