超越双塔匹配：面向推荐的可检索稀疏交叉交互学习
信息检索
2023-12-01 v1 人工智能
摘要
双塔模型是推荐中一种普遍的匹配框架，已广泛部署于工业应用中。双塔匹配的成功归因于其在大量物品中检索的高效性，因为物品塔可预计算并用于快速近似最近邻（ANN）搜索。然而，它面临两个主要挑战，包括有限的特征交互能力和在线服务中精度下降。现有方法试图设计新颖的后期交互来替代点积，但仍无法支持复杂特征交互或丧失检索效率。为应对这些挑战，我们提出了一种名为 SparCode 的新匹配范式，其不仅支持精细特征交互，还支持高效检索。具体而言，SparCode 引入了全到全交互模块来建模细粒度查询-物品交互。此外，我们设计了一种基于离散码的稀疏倒排索引，与模型联合训练，以实现有效且高效的模型推理。我们在公开基准数据集上进行了大量实验，以证明我们框架的优越性。结果表明，SparCode 在保持与双塔模型同等检索效率的同时，显著提升了候选物品匹配的准确率。我们的源代码将发布于 MindSpore/models。
引用
@article{arxiv.2311.18213,
title = {Beyond Two-Tower Matching: Learning Sparse Retrievable Cross-Interactions for Recommendation},
author = {Liangcai Su and Fan Yan and Jieming Zhu and Xi Xiao and Haoyi Duan and Zhou Zhao and Zhenhua Dong and Ruiming Tang},
journal= {arXiv preprint arXiv:2311.18213},
year = {2023}
}
备注
Accepted by SIGIR 2023. Code will be available at https://reczoo.github.io/SparCode