AutoAssign+：流式推荐中的自动共享嵌入分配
信息检索
2023-08-15 v1 机器学习
摘要
在流式推荐系统领域，处理新用户 ID 或物品 ID 的传统方法通常涉及随机分配初始 ID 嵌入。然而，这种做法导致两个实际挑战：(i) 交互数据有限的物品或用户可能产生次优的预测性能。(ii) 嵌入新 ID 或低频 ID 需要持续扩展嵌入表，导致不必要的内存消耗。鉴于这些担忧，我们引入一种强化学习驱动的框架，即 AutoAssign+，其促进自动共享嵌入分配增强（Automatic Shared Embedding Assignment Plus）。具体而言，AutoAssign+ 利用一个作为 actor 网络的身份智能体（Identity Agent），其扮演双重角色：(i) 使用一小组共享嵌入按字段表示低频 ID，以增强嵌入初始化；(ii) 动态决定嵌入表中应保留或剔除哪些 ID 特征。该智能体的策略在 critic 网络的指导下进行优化。为评估我们方法的有效性，我们在三个常用基准数据集上进行了大量实验。实验结果表明，AutoAssign+ 能够通过缓解冷启动问题显著提升推荐性能。此外，我们的框架使内存使用减少了约 20-30%，验证了其对于流式推荐系统的实际有效性与效率。
引用
@article{arxiv.2308.06965,
title = {AutoAssign+: Automatic Shared Embedding Assignment in Streaming Recommendation},
author = {Ziru Liu and Kecheng Chen and Fengyi Song and Bo Chen and Xiangyu Zhao and Huifeng Guo and Ruiming Tang},
journal= {arXiv preprint arXiv:2308.06965},
year = {2023}
}