Aug, 2023

AutoAssign+: 自动流式推荐中的共享嵌入分配

PDF
TL;DR使用强化学习驱动的框架 AutoAssign + 能够通过减轻冷启动问题来显著提升流媒体推荐系统的性能，同时在节约 20-30% 的内存使用方面具备实际有效性和效率。
streaming recommender systemscold-start problemautoassign+embedding tablereinforcement learning
发现论文，激发创造
  • 流式推荐中的自动嵌入维度搜索（AutoEmb）

    本文提出了一种基于 AutoML 的深度学习推荐系统框架 (AutoEmb), 其中包含可以自动选择嵌入维度的动态嵌入层，实验结果表明该框架的有效性。

    Feb, 2020

  • 语义 ID 提高泛化能力： 推荐排名案例研究

    该论文通过使用基于 RQ-VAE 的语义 ID 替代随机生成 ID 的方式来解决推荐系统中的冷启动问题，并展示了语义 ID 对模型的泛化能力的提升。

    Jun, 2023

  • 为推荐设计的内存高效嵌入

    本文介绍一种基于 AutoML 的框架（AutoDim），该框架可以以数据驱动的方式自动为不同的特征字段选择维度，并在基准数据集上进行了广泛实验来验证其有效性。

    Jun, 2020

  • 推荐系统中的嵌入：一项调查

    推荐系统中的嵌入技术是关键，它将高维离散特征转化为低维连续向量以提升推荐性能，并涵盖协同过滤、自监督学习和基于图的技术，同时介绍了自动机器学习、哈希技术和量化技术，旨在改善推荐系统的性能和降低计算复杂性。

    Oct, 2023

  • AutoShard: 推荐系统的自动嵌入表切片

    介绍了 Meta 中的 AutoShard，使用神经代价模型直接预测多表代价，并利用深度强化学习解决分区问题的新实践，其有效性，可转移性和效率使其适用于生产使用。

    Aug, 2022

  • 电商中的 ID 表示学习和转移

    提出了一种嵌入式学习框架，用于集成多种 ID（如用户 ID、项目 ID、产品 ID 等），以便在不同情况下进行相似性度量、跨域转移和不同任务之间的转移，以解决经典编码方法不足的问题。

    Dec, 2017

  • 基于对抗变分自编码器预热的冷启动推荐

    本文中提出了一种 Adversarial Variational Auto-encoder Warm-up 模型 (AVAEW)，通过生成 warm-up item ID embedding 针对冷启动问题来提高推荐系统对新物品的推荐效果。

    Feb, 2023

  • 基于社交媒体的用户嵌入：文献综述

    该研究回顾了最近在社交媒体用户的表征学习领域的进展，并提供了从异构用户数据（例如，将社交媒体文本与图像相结合来学习统一用户表征）中学习统一用户嵌入的典型方法，该技术对于创建高性能的基于社交媒体的人类特征和行为模型至关重要。

    Jun, 2019

  • 推荐系统的聚类嵌入学习

    本文提出了 “聚类嵌入学习”（CEL）作为嵌入学习中应对冷启动、低频用户和项目，以及内存成本等问题的综合解决方案，能够自动且动态地通过自上而下的方法对用户和项目进行聚类，而聚类内的实体共同学习共享的嵌入向量，被验证在减小嵌入表大小、提高性能等方面具有显著优势。

    Feb, 2023

  • 面向个性化文本分类的增量用户嵌入建模

    本研究提出一种增量用户嵌入建模方法，通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中，从而实现个性化用户表示的学习，并成功将其应用于 Reddit 数据集的个性化多类分类任务中，并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。

    Feb, 2022