基于行为依赖线性递归单元的高效序列推荐
信息检索
2024-09-09 v2
摘要
序列推荐系统旨在通过使用RNN和注意力机制等各种算子进行用户行为建模来预测用户的下一次交互。然而，现有模型通常无法同时实现序列推荐的三个黄金原则，即训练效率、低成本推理和强性能。为此，我们提出了RecBLR，一种基于行为依赖线性递归单元的高效序列推荐模型，以解决这三个原则的“不可能三角”。通过将门控机制和行为依赖设计融入线性递归单元，我们的模型显著增强了用户行为建模和推荐性能。此外，我们通过设计一种具有定制CUDA内核的硬件感知扫描加速算法，为我们的模型解锁了可并行化训练和推理效率。在具有不同长度用户行为序列的真实世界数据集上进行的大量实验表明，RecBLR在同时实现所有三个黄金原则——强大的推荐性能、训练效率和低成本推理——方面具有显著的有效性，同时展现出对具有长用户交互历史数据集的出色可扩展性。
引用
@article{arxiv.2406.12580,
title = {Behavior-Dependent Linear Recurrent Units for Efficient Sequential Recommendation},
author = {Chengkai Liu and Jianghao Lin and Hanzhou Liu and Jianling Wang and James Caverlee},
journal= {arXiv preprint arXiv:2406.12580},
year = {2024}
}
备注
Accepted to CIKM 2024