小红书精读：Recommending Search Filters To Improve Conversions At Airbnb

🔍Airbnb不推房源，改推搜索过滤器

各位算法同学们，Airbnb这套系统推荐的不是房源，是搜索过滤器——而且它想证明推荐过滤器本身就能把下单转化拉起来。facet ranking的老工作基本都在优化导航便利或者filter点击率，这篇直接把目标定在最终booking上，思路拐了个弯。

📄 Recommending Search Filters To Improve Conversions At Airbnb

🔧 目标换成转化：不优化上层engagement，直接瞄准lower-funnel的未取消订单，把搜索过滤器当“中间工具”来推荐，而不是推荐最终item。

🧩 训练样本靠booking回溯归因：从一次成交倒推之前的若干次搜索，某次搜索用到的filter结果里包含最终被订的房源就标正样本，把被订房源过滤掉就标负样本，监督信号天然和转化对齐。

⚙️ 一套能落地的系统：从0到1的冷启动bootstrap策略，加上扛得住线上延迟的可扩展架构，已经跑到Airbnb多个界面上，包括filter面板推荐区、amenities区和filter bar。

📊 论文定义了Filter Conversion Rate，即“应用该filter且发生转化的搜索数÷应用该filter的搜索数”，数据显示FCR在filter之间和query之间差得很开：长住query（≥28晚）下面是dedicated workspace、washer、wifi，团组出行则是free parking、hot tub、barbeque area。

📈 线上A/B测试拿到的是增量booking转化提升，而不是只动filter点击率。

✅ 消融实验逐项验证了这套框架和几个关键设计选择确实在起作用。

我的判断：这个“推荐中间工具”的设定，对做电商和双边市场筛选项/facet的同学可迁移性挺高，要盯的是FCR和带filter的最终转化，别只看filter CTR。坑有两个：正负样本全靠booking回溯归因，归因窗口以及“成交算给哪次搜索”的设计一变，标签就跟着变；冷启动阶段FCR方差大，数据不够容易估歪。另外它是拿转化换导航类指标，线上filter点击率不一定涨，拿这个当对照容易误判。

原文：AlphaXiv