基于轻量级嵌入的推荐系统的全面性能基准测试
信息检索
2025-01-22 v3 机器学习
摘要
自网络诞生以来，推荐系统一直是信息过滤中不可或缺的机制。最先进的推荐系统主要依赖于分类特征，这些特征通过嵌入向量进行编码，导致嵌入表过大。为了防止过度参数化的嵌入表损害可扩展性，学术界和工业界在压缩推荐系统嵌入方面付出了越来越多的努力。然而，尽管基于轻量级嵌入的推荐系统蓬勃发展，但在评估协议方面存在巨大差异，导致将LERS性能与现实世界可用性联系起来时存在障碍。此外，尽管轻量级嵌入的目标相同，但LERS仅在两个主要推荐任务（协同过滤和基于内容的推荐）之间进行单一选择进行评估。这种对跨任务可迁移性讨论的缺乏阻碍了统一、更具可扩展性解决方案的发展。受这些问题驱动，本研究通过一个全面的基准测试过程，调查了各种LERS的性能、效率和跨任务可迁移性。此外，我们提出了一种使用幅度剪枝的高效嵌入压缩方法，这是一种易于部署但极具竞争力的基线方法，其性能优于各种复杂的LERS。我们的研究揭示了LERS在两个任务上的不同性能，揭示了它们的有效性和泛化能力。为了支持边缘端推荐，我们在树莓派4上测试了所有LERS，暴露了效率瓶颈。最后，我们总结了关于LERS性能的关键总结、模型选择建议以及未来研究中LERS尚未充分探索的挑战。为了鼓励未来研究，我们在\href{this link}{https://github.com/chenxing1999/recsys-benchmark}发布了源代码和工件。
引用
@article{arxiv.2406.17335,
title = {A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems},
author = {Hung Vinh Tran and Tong Chen and Quoc Viet Hung Nguyen and Zi Huang and Lizhen Cui and Hongzhi Yin},
journal= {arXiv preprint arXiv:2406.17335},
year = {2025}
}