Airbnb 借助 Chronon 将推荐延迟从两天缩短至秒级

Airbnb 为其开源的特征平台 Chronon 新增了 推送模式（Push Mode）与近实时（NRT）模型转换能力 "，能够在房客产生行为后的数秒内更新基于序列推荐的嵌入向量。该优化将嵌入的滞后时间从近两天缩短到不到一分钟，通常 10 至 30 秒即可完成更新。Airbnb 同时披露：离线 NDCG 指标提升 1.67%，在线 A/B 测试中未取消订单量增长约 0.33%。 该方案构建在 Airbnb 基于 JourneyFormer 的序列推荐器之上，该推荐器使用 Transformer 编码器来表示房客的预订、评论和浏览历史。此前，编码器作为日批处理任务运行，生成的嵌入向量保存在低延迟存储中。在搜索过程中，排序系统检索最新的嵌入向量并将其与实时查询结合，让 Transformer 处于对延迟敏感的在线推理路径之外。但在日批处理任务之后发生的活动可能要到下一次运行才能反映在嵌入向量中，叠加处理延迟，实际的滞后时间接近两天。 Airbnb 通过为 Chronon " 增加两项能力解决了数据新鲜度问题：推送模式让流式处理在特征值提交后主动发送通知，下游可以响应房客行为变更，不需要轮询或等待定时任务；近实时模型转换让已上线模型直接在流式处理流水线内运行。Airbnb 在近实时路径中使用相同的 Transformer 序列编码器，避免了为流处理工作流单独实现推理。 新流水线采集搜索、房源浏览等事件，把新事件和房客已有的短期、长期序列数据合并，当特征状态更新完成后触发模型推理。生成的嵌入向量写入和批处理系统共用的低延迟存储。因此，在线排序路径基本保持不变，但检索到的表示变得更加及时。 Airbnb 基础设施高级软件工程师 Pengyu Hou " 将该平台变更描述为弥合事件驱动数据与模型推理之间的差距： 近实时模型转换能力让 Chronon 可以直接在流式处理路径内部调用已经部署好的模型…… 该方法遵循了一种更广泛的特征服务模式，即预测可以在底层特征变化时更新，而不是在每个用户请求时计算。另一个开源特征平台 Feast 也有缓存预测架构：由特征更新触发推理，以更高写入量与流水线复杂度换取更低服务延迟。Chronon 则将流计算和模型转换集成到特征平台中，重点确保离线计算和在线推理的一致性。 Airbnb 已将推送模式与近实时模型转换功能贡献给公共 Chronon 代码库 "。Chronon 同时支持批处理和流式计算，并提供旨在保持训练与生产推理一致性的在线特征服务。 查看英文原文： https://www.infoq.com/news/2026/10/airbnb-chronon-recommendation/ "