用于替代度假租赁房产推荐的多源集成候选生成方法

# 面向度假租赁物业推荐的候选生成多源集成方法
来源：https://arxiv.org/html/2609.05748
\*1

###### 摘要

替代物业推荐在度假租赁市场平台中扮演关键角色，帮助用户在查看特定房源时发现相关选项。然而，生成高质量的替代候选房源面临独特挑战：异构库存、地理限制、快速的可用性变化以及长尾物业分布。本文对度假租赁替代房源的候选生成方法进行了全面研究，对比了协同过滤、浅层嵌入和图神经网络方法。

我们在一个拥有超过200万活跃房源的大型度假租赁平台上进行的实验表明，一种结合了基于物品的协同过滤与基于图神经网络检索的混合架构，通过利用两种来源的互补优势，将Recall@300提升了14.8%，超越了最强基线方法：协同过滤在具有丰富交互历史的房源的早期召回上表现出色，而图神经网络则能发现多样化、非显而易见的替代房源，并能更有效地处理冷启动场景。作为一项附带成果，单独基于图神经网络的嵌入在K值范围内显著优于浅层的Hotel2Vec嵌入（召回率相对提升48-68%），这促使我们将图神经网络纳入集成系统。

至关重要的是，我们研究了候选生成阶段的收益如何传递到下游排序阶段，发现更强的候选池能带来更高的下游排序质量——尽管由于候选生成与排序模型训练之间的耦合效应，清晰归因这种影响比较复杂。这种**召回-转化差距**是从业者在两阶段推荐系统中部署新检索方法时需要考虑的重要因素。

###### 关键词

候选生成，图神经网络，推荐系统，度假租赁，两阶段检索，协同过滤，嵌入

††copyrightyear:2026††copyright:本文版权由作者所有。根据知识共享署名4.0国际许可协议授权使用。††venue:旅游推荐系统研讨会，2026年9月28日，与第20届ACM推荐系统大会同期举行，地点：美国明尼苏达州明尼阿波利斯††email:syzaidi@expediagroup\.com††email:erincon@expediagroup\.com††email:shassantabar@expediagroup\.com††address:Expedia Group, Austin, Texas, USA††corresp:通讯作者。## 1 引言

旅游与旅行领域的推荐与一般物品推荐在系统设计层面存在显著差异：用户意图锚定于目的地和特定旅行日期，需求具有强季节性，可预订库存随着房源上架、预订和下架而持续变动。度假租赁市场平台是此场景下的一个尤其严苛的实例。旅行者浏览此类平台时，通常在预订前会查看多个房源，因此展示相关的*替代*房源——可能更符合旅行者需求的类似房源——对于用户体验和转化率至关重要。与库存相对标准化的传统酒店推荐不同，度假租赁市场平台面临叠加的挑战：库存高度异构且基本每个房源都独一无二——从单间公寓到多卧室别墅——需遵循与目的地意图绑定的严格地理限制，可用性变化迅速，且呈现重度长尾分布。此外，不断涌入的新房源使得冷启动成为常态而非偶发的边界情况，这是该领域检索的核心关注点。

海景别墅 – 海滨天堂迈阿密海滩，佛罗里达州 · 4卧 · 可住8人 9.4 127条评价 $425/晚 立即预订您可能喜欢的类似房源查看全部→\\rightarrow 海滩屋迈阿密海滩 9.2 45条评价 $380/晚 查看房源 海岸静居阳光岛 8.8 23条评价 $295/晚 查看房源 湾区别墅比斯坎湾 9.6 89条评价 $445/晚 查看房源 参考房源PrefP\_{ref} 替代推荐\{P1,P2,...,PK\}\\\{P\_{1},P\_{2},\.\.\.,P\_{K\}\\\}

图1：度假租赁平台上的替代物业推荐。当用户查看参考房源PrefP\_{ref}时，系统生成一个包含K个替代房源P1,P2,...,PK\\\{P\_{1},P\_{2},\.\.\.,P\_{K\}\\\}的轮播列表，这些房源匹配用户的旅行目的地和偏好。候选生成是现代两阶段推荐系统的第一阶段，它必须在处理这些挑战的同时，从包含数百万房源的目录中检索出一组多样化的相关替代房源。现有方法在单独应用时都存在显著局限性。基于物品的k近邻协同过滤方法在具有丰富交互历史的房源上表现出色，但对冷启动房源则力不从心。诸如Hotel2Vec的嵌入方法能够高效捕捉共现模式，但仅学习对称的、单跳的关系，遗漏了用户行为中的复杂模式。基于距离的检索确保了地理相关性，但缺乏对房源相似性的语义理解。

图神经网络提供了一种解决这些局限性的原则性方法。通过将房源、用户及其交互建模为异构图，图神经网络可以学习非对称关系，通过消息传递捕获多跳模式，并在表示学习过程中融入丰富的房源特征。这促使我们研究基于图神经网络的候选生成方法在度假租赁推荐中的应用。

具体而言，我们将候选生成构建为在异构房源-用户图上的链接预测任务，其中参考房源和候选房源作为不同的节点类型，以便模型能够学习“房源A是房源B的替代品”这种有向关系。该图整合了用户-房源交互和经验证的、基于预订的替代房源对，并通过消息传递聚合涵盖结构、位置、政策、质量和设施特征的房源属性，使得即使是交互历史稀疏的房源也能被嵌入到候选空间中一个合理的区域。我们使用此图神经网络作为多源候选生成器中的一个检索源，与IBKNN并列，并将其学习到的表示与协同过滤信号相结合，以利用它们的互补优势：IBKNN在具有丰富行为信号的房源的早期召回上占据主导，而图神经网络则扩展了后期召回的覆盖范围，并能更有效地表示冷启动房源。这种设计直接针对单源候选生成的上述两种失效模式——协同过滤的热门偏差和嵌入方法的浅层对称相似性——我们使用由此产生的候选池来研究候选生成的收益如何传递到下游排序阶段。

本文对度假租赁替代房源的候选生成方法进行了全面研究。我们的贡献如下：

1. 1\. **具有互补优势的混合架构。** 我们提出了将IBKNN的早期召回能力与GNN发现多样化、非显而易见替代房源的能力相结合的方法，在一个拥有超过200万房源的大型度假租赁平台上，相比最强基线，在Recall@300上实现了+14.8%的提升。
2. 2\. **对候选生成方法的系统评估。** 我们对比了协同过滤、浅层嵌入和图神经网络，表明基于图神经网络的嵌入相比浅层嵌入基线在召回率上实现了48-68%的相对提升，这激励我们将图神经网络纳入混合架构。
3. 3\. **连接候选生成收益与下游排序。** 我们测量了候选池质量如何影响下游排序，发现混合候选池比基线候选池产生了更高的Booking NDCG@5，并讨论了阻碍清晰归因候选生成改进对端到端收益贡献的召回-转化差距。

我们的发现为从业者提供了可操作的见解：更强的候选池可以改善下游排序，但要从混淆的排序模型训练效应中隔离候选生成的贡献，需要谨慎的实验设计。

本文其余部分组织如下：第2节回顾了关于候选生成和基于图神经网络的推荐的相关工作。第3节提供了所评估嵌入方法的背景知识。第4节描述了我们的多源候选生成架构。第5节详述了实验设置，第6节展示了结果。我们在第7节讨论了研究意义和局限性，并在第8节进行总结。

## 2 相关工作

两阶段推荐系统。现代推荐系统采用两阶段架构，包括候选生成和排序。这一范式首先将候选池缩减至O(1000)个候选，然后对它们进行排序以生成最终的O(10)个推荐，从而解决对数百万物品进行评分的计算挑战。其中，双塔架构（使用独立编码器学习查询和物品表示以进行高效近似最近邻搜索）已成为行业标准。Huang等人提出了学习跨检索和排序阶段迁移的嵌入方法，解决了阶段间的分布不匹配问题——这一挑战与我们的工作直接相关。

多源候选生成。工业系统越来越多地结合多种检索源以提高鲁棒性和覆盖率。例如，LinkedIn的“你可能认识的人”系统结合了基于图的源（如连接图上的三角形闭合）、基于嵌入的检索和启发式源，每天处理数千亿潜在连接。近期的工业界物品到物品检索工作同样探索了多任务和多头架构，以在十亿用户规模下联合优化召回率和相关性。工业部署还报告称，精心的候选生成设计——包括偏差感知采样——对于下游质量至关重要。采用多源架构的理由有三：（1）没有单一算法能捕获用户行为的所有方面；（2）多个源确保了更广泛的库存覆盖；（3）即使一个源失效，系统性能也能优雅降级。将检索改进转化为端到端收益的挑战——我们称之为召回-转化差距——在文献中受到的关注有限，但从业者在部署新检索方法时经常遇到此问题。

基于图的候选生成。图方法将用户-物品关系建模为网络结构以进行候选检索。Pinterest的Pixie系统在二部图上执行带偏置的随机游走，其创新包括多查询加权、对从多个查询节点可达的图钉进行多次命中增强以及提前停止以提高效率。PinSage将此扩展到基于图神经网络的嵌入，证明了其在数十亿节点上的可扩展性。最近，OmniSage通过在包含数十亿节点的异构图上进行多个对比学习任务，将图神经网络与基于内容的模型和用户序列模型统一起来，在Pinterest上实现了全站参与度2.5%的提升。Chen等人通过宏观图构建解决了图神经网络在在线十亿级推荐系统中的可扩展性挑战，展示了工业规模的实际部署。LightGCN简化了图卷积用于协同过滤，表明邻域聚合是关键组件。Wu等人综述了基于图神经网络的推荐方法，强调了其在多跳关系和通过特征传播处理冷启动方面的优势。

结合辅助信息的基于嵌入的检索。阿里巴巴的十亿级推荐系统使用随机游走和skip-gram方法从用户行为图中学习物品嵌入。其GES通过结合类别、品牌和店铺特征来解决冷启动问题，而EGES则使用注意力加权聚合来学习不同辅助信息类型的重要性。这表明将行为共现信号与显式物品特征相结合可显著提升嵌入质量——这一见解激励了我们结合协同过滤与特征丰富的图神经网络嵌入的混合架构。

住宿与旅行推荐。旅行推荐面临独特挑战，包括地理约束、时间可用性和库存异构性。Hotel2Vec将Word2Vec风格的嵌入技术应用于从预订序列中学习酒店表示。我们的工作不同之处在于专注于替代房源用例，并系统地研究了检索召回率与端到端推荐质量之间的差距——为旅行领域之外任何具有异构库存的两阶段系统提供了见解。

## 3 背景

本节提供了本文所评估的候选生成方法的背景知识。

### 3.1 Hotel2Vec：属性增强的房源嵌入

Hotel2Vec通过将用户点击会话与结构化房源属性相结合来学习稠密的房源表示。该模型扩展了skip-gram范式：它将用户会话视为序列，并根据目标房源预测上下文房源。关键的是，Hotel2Vec使用包括地理坐标、星级评分、用户评分和设施特征在内的附加输入来丰富点击嵌入。这些子嵌入被拼接并通过神经层融合，以产生统一的表示。

由此产生的嵌入捕获了共视模式——经常一起查看的房源在嵌入空间中距离较近——同时属性融合有助于解决新房源的冷启动情况。对于候选生成，我们从FAISS索引中检索参考房源PrefP\_{ref}的嵌入，并使用余弦相似度返回前K个最近邻。