An Important Foundation For Security, Privacy, and Compliance at Airbnb.

At Airbnb, Apache Flink was introduced in 2018 as a supplementary solution for stream processing. It ran alongside Apache Spark™ Streaming for several years before transitioning to become the primary stream processing platform. In this blog post, we will delve into the evolution of Flink architecture at Airbnb and compare our prior Hadoop Yarn platform with the current Kubernetes-based architecture. Additionally, we will discuss the efforts undertaken throughout the migration process and explore the challenges that arose during this journey. In the end we will summarize the impact, learnings along the way and future plans.

Incrementally modernizing our frontend infrastructure to roll out the latest React features without downgrades.

Airbnb has made significant strides in improving web accessibility for Hosts and guests who require larger text sizes.

How Airbnb enabled hosts and guests to connect and introduce themselves through the Host Passport.

At Airbnb, we have developed Brandometer, a state-of-the-art natural language understanding (NLU) technique for understanding brand perception based on social media data. Brand perception refers to…

Part three on how we built a Compose based architecture with Mavericks in the Airbnb Android app.

A feature platform that offers observability and management tools, allows ML practitioners to use a variety of data sources, while handling the complexity of data engineering, and provides low latency streaming.

Part two on how we built a Compose based architecture with Mavericks in the Airbnb Android app.

A three part series on how we built a Compose based architecture with Mavericks in the Airbnb Android app

用于加快和提高读取密集型工作负载可靠性的爱彼迎数据框架的概述。

How Airbnb achieved a smooth and transparent migration from Buck to Bazel on iOS, with minimal interference to developer workflows.

在爱彼迎，我们深知要为房客提供最佳体验，就必须深入理解和收集房源的结构化数据。例如，远程工作的房客需要知道房源是否设有适合的工作空间和稳定的网络连接，而有孩子的房客可能需要高脚椅和婴儿床等设施。然而，这些属性信息并非所有房源都明确显示，导致房东的房源描述与房客的需求之间存在不匹配。

这只是我们利用平台上产生的未结构化数据的例子之一。这些数据包括各种房客与平台互动产生的文本数据，经过匿名处理后，我们可以从中提取出有用的结构化数据。考虑到房客关注和查询的属性众多，我们开发了一个名为 Listing Attribute Extraction Platform (LAEP) 的机器学习系统，用于大规模地提取结构化数据，而无需依赖房东手动输入所有可能的房源属性。

LAEP 旨在自动从上述的未结构化的文本数据中提取出有用的结构化信息，例如房源的属性信息。由 LAEP 收集到的属性会被整合到各种应用中，以此来构建爱彼迎的房源知识库。为下游工具如属性优先级系统 (APS) 和房源属性收集系统 (Eve) 提供支持。

除了可以提取房源属性，LAEP 还能检测出各种类型的实体，如活动、房源设施以及著名的地标等景点。这就为我们支持更广泛的产品应用提供了可能性，例如，接待设施数据可以帮助房客在入住期间获得个性化服务，而活动数据可以帮助识别和创建新的房客喜爱的类别。

Airbnb开发了一个适用于CRM平台的弹性DevOps框架，集成了Salesforce DX、Git、Buildkite和Vlocity，以实现高效、连续且具有高软件质量的交付。他们的解决方案包括使用Git进行版本控制、通过Buildkite进行自动化部署和使用Salesforce DX将代码部署到目标环境。他们还采用了静态代码分析、代码审查和自动化测试等方法来确保代码质量和功能性。他们的框架还采用了预先验证和增量部署的方式来减少部署时间。这些改进使得部署时间从平均90分钟减少到15分钟，并实现了增量部署。他们的DevOps实施成功地提高了软件质量和交付效率。

In this blog post, we share our innovative approach to scoring data quality, Airbnb’s Data Quality Score (“DQ Score”).

在构建 App 的用户界面（UI）时，选择合适的框架非常重要。正确的 UI 框架可以使应用程序感觉流畅、响应迅速，甚至令人愉悦，而不适合应用程序需求的 UI 框架可能会让人感觉迟缓，令人崩溃。这个原则对于开发者的体验也同样重要；一个具有良好 API 设计的 UI 框架可以使工程师流畅、高效且准确地表达自己的想法，而一个具有错误抽象或不一致 API 的框架可能会由于一些不必要的复杂性而使工程师的工作变得更加困难，低效。

在爱彼迎，我们希望我们的移动端应用可以提供世界一流的用户体验和开发者体验。基于这个愿望，我们在 2016 年构建了我们自己的 UI 框架：Epoxy。Epoxy 是一个声明式的 UI 框架，工程师只需要描述在任一视图状态下想要什么样的 UI 结构，框架会自动更新视图层次结构并渲染页面内容。Epoxy 再使用 UIKit 来渲染视图。