Airbnb 面临新用户或已登录但无个人历史数据用户的冷启动问题。为此，他们开发了邻近特征（Proximity Features），利用地理集群内的聚合用户行为。其核心假设是：同一地点的用户具有相似的旅行偏好，无论其个人数据如何。这些特征有助于在不依赖持久用户标识符的情况下实现个性化体验，从而符合 GDPR 等隐私法规。该系统从用户 IP 地址推导粗略地理位置，并将邻近用户分组到自适应邻近桶（proximity buckets）中。每个桶代表约 1,000 名用户，由邻近键标识，该键编码位置瓦片，在密集区域还包含 IP 哈希桶。此键作为聚合点，使机器学习模型能够利用集体信号进行个性化。特征每日计算，包括短期参与度、长期预订模式以及桶元数据。自适应聚类算法确保在不同地理密度下桶的大小适当。对于密集的城市区域，采用更细的细分；对于稀疏的乡村地区，则采用更粗的分组。这构建了一个全局有效的缩放自适应聚类地图。邻近键随时间保持稳定，特征从分布式键值存储中实时获取，并采用软依赖以避免阻塞请求。隐私是基础要素，特征反映群体行为而非个人行为。输入数据排除未获同意的用户，地理 IP 坐标经过匿名化处理。邻近特征已在营销落地页和首页自动建议（AutoSuggest）中显著提升了个性化效果，特别是在从未预订和休眠用户群体中显示出提升。该方案设计为可复用，可将个性化能力扩展至 Airbnb 各类界面的冷启动用户，并可能应用于参与式邮件。