推荐系统中的分块特征交互
信息检索
2023-06-29 v1 机器学习
摘要
特征交互在推荐系统中起着关键作用，因其捕捉用户偏好与物品特征间的复杂关系。现有方法如 Deep & Cross Network（DCNv2）可能因跨层操作而面临高计算需求。本文提出一种称为分块特征交互（BFI）的新方法以缓解该问题。通过将特征交互过程划分为较小块，我们可显著降低内存占用与计算负担。我们开发并实证比较了 BFI 的四种变体（分别记为 P、Q、T、S）。实验结果表明，所提算法在精度上接近标准 DCNv2，同时大幅减少了计算开销与参数量。本文通过提供提升特征交互效率的实用方案，为高效推荐系统的发展作出贡献。
引用
@article{arxiv.2306.15881,
title = {Blockwise Feature Interaction in Recommendation Systems},
author = {Weijie Zhao and Ping Li},
journal= {arXiv preprint arXiv:2306.15881},
year = {2023}
}