Airbnb는 실제 사용자 쿼리가 제공되기 전에 학습 데이터가 필요한 자연어 검색에 대한 콜드 스타트 문제를 겪었습니다. 기존 방법들은 쿼리 생성과 관련성 레이블링을 별도로 처리하여 잠재적인 오류를 발생시켰습니다. 제안된 CASTLE 프레임워크는 비식별화된 예약 데이터로부터 합성 쿼리와 관련성 레이블을 공동으로 생성합니다. 이는 예약된 숙소와 조회되었지만 예약되지 않은 대안을 대조하는 대조적 숙소 쌍을 사용합니다. 이 암묵적인 사용자 선호도는 쿼리의 조건을 충족하는 관련성 레이블에 직접적으로 영향을 미칩니다. 쿼리 생성은 템플릿 기반, 퓨샷, 속성 기반 프롬프트와 함께 다양한 메커니즘을 통해 향상됩니다. 이 접근 방식은 이전 방법들과 달리 실제 사용자 쿼리 분포와 밀접하게 일치합니다. 예약 기록이 없는 경우에는 가상 심판이 사용됩니다. CASTLE은 쿼리 분포 정렬을 크게 개선하고 높은 관련성 레이블 정확도를 달성합니다. 이 프레임워크는 또한 롱테일 의도를 오버샘플링하여 지속적인 가치를 제공하는 데 도움이 됩니다. CASTLE의 성공은 예약 행동을 LLM 생성으로 보완하는 데 있습니다.