JourneyFormer: Encoding Airbnb Guest Journey with Sequence Modeling

保真度：核心机制复现。原文结论、本地公开数据实验和未复刻部分分开陈述。

论文信息

项目	内容
论文链接	arXiv 2606.19108
公司/机构	Airbnb
首次公开日期	2026-06-17（arXiv v1）
原文开源代码	否：原文未提供官方/作者代码（核查日期：2026-08-24）
Adapter	journeyformer
本地复现代码	src/auto_research/reproductions/journeyformer/

原始论文总结

背景与主要改动

统一编码 Airbnb 长期和短期 guest journey，以事件类型、时间和 listing 表示构建序列，并通过缓存和稀疏计算满足线上时延。

flowchart LR
 A["长短旅程事件"] --> B["Journey Transformer"] --> C["Listing 排序"]

原论文关键图

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ h_u=\operatorname{Transformer}([e_i+e_{type}+e_{time}]_{i=1}^{L}) \]

论文离线与线上效果

原文的主要线上证据为 bookers +0.55%（3-week A/B; p<0.01）。论文离线表与线上指标使用私有或论文指定口径，不能与下面的 MovieLens 数字直接比较。

本地复现

本地对照口径：基线为共享 transition + content scorer；实验组在相同用户、物品、全库候选和 seed 上只加入 journeyformer 核心机制，相对 NDCG@10 -2.77%。

MovieLens-100K、220 users / 360 items、seed 42：NDCG@10 0.0540 → 0.0525（-2.77%），Hit@10 0.1091 → 0.1091。验证集只用于选择机制混合权重，测试集没有参与调参。

auto-research reproduce --paper journeyformer --dataset-dir data --seed 42

固定指标见 metrics/public-seed42.json。

复现边界

在 MovieLens-100K 固定全库候选、相同切分和 seed 上执行论文核心机制；公司私有特征、生产基础模型与在线流量不可公开，论文 A/B 数字仅作原文引用。 本地实现执行了独立的模型状态和打分路径；它不是把论文名映射到同一个加权公式。未复刻项见 adapter 的 omitted_core_components，本地相对变化不得与原文 A/B 提升混写。