基于数据驱动先验的在线推荐系统增量更新框架
信息检索
2023-12-27 v1
摘要
在线推荐系统日益受到关注，并为企业创造了巨大收入。鉴于用户和物品数量庞大，增量更新成为工业场景中学习大规模模型的主流范式，其中仅将滑动窗口内新到达的数据输入模型，以满足快速响应的严格要求。然而，这种策略容易对新到达的数据过拟合。当数据分布存在显著漂移时，长期信息将被丢弃，从而损害推荐性能。传统方法通过基于模型的持续学习方法来处理此问题，而没有分析在线推荐系统的数据特征。为了解决上述问题，我们提出了一种基于数据驱动先验（DDP）的在线推荐系统增量更新框架，该框架由特征先验（FP）和模型先验（MP）组成。FP对每个特定值进行点击估计，以增强训练过程的稳定性。MP在严格遵循贝叶斯规则的同时，将先前的模型输出纳入当前更新，从而为鲁棒更新提供了理论上可证明的先验。通过这种方式，FP和MP都被很好地集成到统一框架中，该框架是模型无关的，可以适应各种高级交互模型。在两个公开数据集以及一个工业数据集上的大量实验证明了所提出框架的优越性能。
引用
@article{arxiv.2312.15903,
title = {An Incremental Update Framework for Online Recommenders with Data-Driven Prior},
author = {Chen Yang and Jin Chen and Qian Yu and Xiangdong Wu and Kui Ma and Zihao Zhao and Zhiwei Fang and Wenlong Chen and Chaosheng Fan and Jie He and Changping Peng and Zhangang Lin and Jingping Shao},
journal= {arXiv preprint arXiv:2312.15903},
year = {2023}
}