跳转至

Proximity Features：隐私合规的冷启动群体特征

Fidelity: 核心机制复现。dense hash refinement、sparse fine-to-coarse clustering、稳定 proximity key、群体聚合与冷启动 scoring 均实际执行。

论文信息

项目 内容
论文链接 arXiv 2607.12246
公司/机构 Airbnb
首次公开日期 2026-07-14（arXiv v1）
原文开源代码 否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter proximity-features
本地复现代码 src/auto_research/reproductions/proximity_features/

原始论文总结

背景与主要改动

匿名用户没有 user ID。Airbnb 把 consented geo-IP population-center 坐标聚成约 1,000 用户的 proximity key：密集位置用 IP hash 细分，稀疏位置逐级降低地理精度合并；群体行为按稳定 key 每日聚合，线上无需持久个人标识。

flowchart LR
  A[consented geo-IP] --> B[密集位置 hash 细分]
  A --> C[稀疏位置逐级合并]
  B --> D[stable proximity key]
  C --> D
  D --> E[群体特征聚合]
  E --> F[匿名冷启动排序]

原论文关键图

Proximity Features：隐私合规的冷启动群体特征 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。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

\[ key=base64(\lfloor lat\,s\rfloor,\lfloor lng\,s\rfloor,h(ip)\bmod b), \]
\[ \max |\mathcal P|\quad\text{s.t.}\quad\sum_{i\in B_j}n_i\ge T,\ \forall B_j. \]

论文离线与线上效果

营销页全球 booking +0.011%、first-time bookers +2.0%；AutoSuggest 全球 booking +0.16%、first-time booking +0.33%。

本地复现

本地对照口径：基线是 global cold-start aggregate；实验组用 MovieLens ZIP 的 adaptive proximity aggregate，验证集选择 blend 1.0，相对基线 Hit@10 +16.67%、NDCG@10 +22.91%。

932 个 ZIP 用户形成 99 个 bucket，中位数 10；全量原始物品特征下群体信号优于 global aggregate。稳定指标见 metrics/movielens-100k-seed42.json。

auto-research reproduce --paper proximity-features --seed 42

复现边界

ZIP prefix 不是 geo-IP 坐标；阈值缩为 12，只验证算法，不构成论文约 1,000 用户的隐私保证。