Comment Airbnb a amélioré la recherche sur carte

• La recherche est le mécanisme clé qui relie les Guests et les Hosts sur Airbnb
• Les résultats de recherche d’Airbnb sont proposés sous deux formes
  • format liste (list-results, sous forme de cartes affichant l’image du logement, le prix, la note, etc.)
  • format carte (map-results, sous forme d’épingles affichant le prix sur une carte)
• L’ancien algorithme de classement générait les listes dans les deux formats en les triant selon la probabilité de réservation
• Mais sur la carte, les résultats sont affichés sous forme d’épingles individuelles et non de liste, ce qui a nécessité une nouvelle méthode de classement

Qu’est-ce qui change sur une carte ?

• Dans le format liste, on part du principe que l’attention de l’utilisateur diminue progressivement du haut vers le bas
  • En pratique, on observe effectivement que plus un résultat est bien classé dans la liste, plus son CTR (Click-Through Rate) est élevé
• Dans le format carte, les logements sont dispersés sous forme d’épingles sur la carte ; la baisse d’attention liée au rang ne s’applique donc pas et l’attention est répartie de manière uniforme
  • Par conséquent, une approche simple consistant à limiter les logements affichés sur la carte selon l’ordre de probabilité de réservation est moins efficace

Modélisation d’une attention utilisateur uniforme (Uniform User Attention)

• Cette approche suppose que, sur la carte, l’attention de l’utilisateur est répartie uniformément entre toutes les épingles
• Mais en réalité, les Guests ne cliquent que sur quelques épingles ; afficher trop d’épingles peut faire passer à côté de bons logements, tandis qu’en afficher trop peu risque d’exclure celui que recherche l’utilisateur
• Solution :
  • limiter le nombre d’épingles affichées sur la carte et n’exposer que les éléments avec la plus forte probabilité de réservation
  • Résultats des tests A/B :
    • les utilisateurs pouvaient trouver le logement souhaité avec moins de clics
    • hausse du taux de conversion de réservation, avec en particulier une augmentation de la part des avis 5 étoiles

Attention utilisateur hiérarchisée (Tiered User Attention)

• Les épingles sur la carte sont réparties en deux niveaux :
  1. épingles normales : affichent avec leur prix les logements ayant une forte probabilité de réservation
  2. mini-épingles : affichent sous forme de petite icône les logements à probabilité de réservation relativement plus faible (sans prix)
• Effets :
  • les épingles normales obtiennent un taux de clic 8 fois supérieur à celui des mini-épingles, ce qui permet de concentrer davantage l’attention sur les logements ayant la plus forte probabilité de réservation
  • cette approche permet notamment de fournir de meilleurs résultats sur les recherches desktop
  • les tests A/B ont également montré une amélioration des performances de réservation avec cette méthode

Modélisation d’une attention utilisateur pondérée (Discounted User Attention)

• Sur une carte, les utilisateurs ont tendance à cliquer davantage sur les épingles situées au centre
• Airbnb a donc développé un algorithme pour trouver les coordonnées centrales optimales, afin de placer au centre de la carte les logements avec la plus forte probabilité de réservation
  • Différents candidats de coordonnées sont évalués, puis l’emplacement le plus proche des logements ayant les plus fortes probabilités de réservation est choisi comme nouveau centre
• Résultats des tests A/B :
  • augmentation de 0,27 % du taux de conversion de réservation
  • baisse de 1,5 % de la fréquence de déplacement sur la carte, ce qui signifie que les utilisateurs trouvaient plus facilement le logement recherché

Conclusion et travaux futurs

• Les utilisateurs perçoivent et utilisent différemment la liste et la carte
• Airbnb a amélioré sa méthode de classement en tenant compte du fait que le comportement utilisateur diffère entre la recherche sur carte et la recherche en liste
• Grâce à des expérimentations progressives, l’entreprise a réussi à améliorer l’expérience de recherche et à augmenter le taux de conversion de réservation
• Mais la question de la bonne exposition de l’ensemble des logements sur la carte reste encore ouverte
• Une discussion plus détaillée ainsi que les aspects techniques sont disponibles dans l’article de recherche présenté à KDD ’24, "Learning to Rank for Maps at Airbnb"
• De futures recherches chercheront à explorer de meilleures approches

[roxie]

Le classement sur une carte semble vraiment être un domaine où il reste encore énormément de défis à relever. Franchement, au point d’en être un peu déconcertant. J’ai récemment utilisé Google Maps à l’étranger, et il était difficile d’affiner la recherche de restaurants avec le niveau de précision que je voulais. Quant à afficher des avis correspondant au ressenti ou au ton que je recherchais, cela m’a semblé être une perspective encore très lointaine. Courage à toutes celles et ceux qui travaillent à concevoir des cartes !!