AMEIR：推荐系统中的自动行为建模、交互探索与 MLP 研究
机器学习
2022-06-15 v2 信息检索
机器学习
摘要
近年来，深度学习模型在工业推荐系统中广泛普及并提升了推荐质量。尽管取得了显著成功，任务感知推荐系统的设计通常仍需领域专家进行人工特征工程与架构工程。为减轻此类人力投入，我们探索了神经架构搜索（NAS）的潜力，并引入了 AMEIR，用于推荐系统中的自动行为建模（Automatic behavior Modeling）、交互探索（interaction Exploration）和多层感知机（MLP）研究（Investigation）。AMEIR 的核心贡献是三阶段搜索空间与定制的三步搜索流水线。具体而言，AMEIR 将完整推荐模型划分为行为建模、交互探索、MLP 聚合三个阶段，并引入了一个包含三个定制子空间的新颖搜索空间，其覆盖了大多数现有方法，从而允许搜索更优模型。为高效且有效地找到理想架构，AMEIR 在三个阶段上逐步实现推荐中的一次性随机搜索，并将搜索结果组装为最终产出。进一步分析表明，AMEIR 的搜索空间可覆盖大多数代表性推荐模型，证明了我们设计的通用性。在各场景下的广泛实验表明，AMEIR 以更低的模型复杂度和可比的时间成本优于精心人工设计的竞争基线以及领先的算法复杂 NAS 方法，表明了所提方法的效能、效率与鲁棒性。
引用
@article{arxiv.2006.05933,
title = {AMEIR: Automatic Behavior Modeling, Interaction Exploration and MLP Investigation in the Recommender System},
author = {Pengyu Zhao and Kecheng Xiao and Yuanxing Zhang and Kaigui Bian and Wei Yan},
journal= {arXiv preprint arXiv:2006.05933},
year = {2022}
}