사용자에게 여행지를 추천해 탐색을 돕는 방법

Airbnb는 여행지가 아직 정해지지 않은 탐색 단계 사용자를 위해 destination recommendation 모델을 만들었다. 목적지는 숙소, 일정, 예산을 좌우하는 핵심 변수이기 때문에, 여행지 추천만으로도 의사결정 마찰을 줄이고 예약 전환을 높일 수 있다.

이 모델은 언어 모델링에서 아이디어를 가져와, 사용자 행동을 토큰처럼 다룬다. booking, view, search 기록을 시퀀스로 넣고, 각 행동은 city, region, days to today 임베딩의 합으로 표현하며, 현재 시점 같은 contextual information도 함께 반영해 단기 관심사와 장기 관심사를 동시에 학습한다.

학습 데이터 설계에서는 active users와 dormant users를 나눠 다뤘다. 각 booking마다 총 14개의 학습 예시를 만들고, 그중 7개는 예약 1~7일 전의 최신 booking/view/search 데이터를 사용해 late booking stage를 흉내 낸다.

나머지 7개는 예약 8~365일 전에서 무작위로 샘플링한 dormant user 예시로 구성했다. 이 경우에는 booking 데이터만 사용해, 아직 구체적인 목적지가 정해지지 않은 초기 planning stage의 탐색 패턴을 반영한다.

위치 이해를 높이기 위해 multi-task learning도 적용했다. 최종 레이어에 region-level과 city-level 예측 head를 각각 두고, 두 수준의 예측을 함께 학습시켜 더 풍부한 geolocation representation을 만들었다.

이 모델은 두 가지 기능에 적용됐다.

• Autosuggest: 검색창을 클릭했을 때 여러 도시 추천을 보여준다.
• Abandoned search email notifications: 검색을 중단한 사용자에게 모델이 예측한 대체 지역의 숙소를 담은 이메일을 보낸다.

온라인 A/B 테스트에서는 특히 영어가 주요 언어가 아닌 지역에서 유의미한 booking 개선이 확인됐다. 또한 추천은 아직 목적지를 못 정한 사용자뿐 아니라, 인근의 더 저렴한 도시로 이동할 여지가 있는 사용자에게도 도움이 됐다.

결국 이 프레임워크는 여행 계획 전반에서 더 넓은 개인화로 확장될 수 있는 기반을 제공한다. 저자들은 이후 여행 시간, 가격 선호 같은 다른 preference 예측에도 같은 접근을 적용할 수 있다고 본다.