推荐系统中的计算资源分配方案
系统与控制
2021-03-04 v1 信息检索
机器学习
系统与控制
摘要
推荐系统严重依赖增加计算资源来提升其业务目标。通过部署计算密集型模型和算法，这些系统能够推断用户兴趣，并从候选集中展示特定广告或商品，以最大化其业务目标。然而，此类系统在实现目标时面临两个挑战。一方面，面对海量在线请求，计算密集型模型和算法正将其计算资源推向极限。另一方面，这些系统的响应时间被严格限制在短时段内，例如我们实际系统中为300毫秒，而日益复杂的模型和算法也正耗尽该时间。本文中，我们提出计算资源分配方案（CRAS），在有限的计算资源和响应时间内最大化业务目标。我们全面阐述该问题并将其建模为带多重约束的优化问题，该问题可分解为独立的子问题。为求解子问题，我们提出收益函数以辅助理论分析，并得到最优计算资源分配策略。为解决适用性问题，我们设计了反馈控制系统以帮助我们的策略持续适应变化的在线环境。我们方法的的有效性通过基于Taobao.com真实数据集的大量实验得到验证。我们还将方法部署于阿里巴巴的展示广告系统。线上结果表明，我们的计算资源分配方案在不增加任何计算成本的情况下实现了显著的业务目标提升，证明了该方法在实际工业实践中的功效。
引用
@article{arxiv.2103.02259,
title = {Computation Resource Allocation Solution in Recommender Systems},
author = {Xun Yang and Yunli Wang and Cheng Chen and Qing Tan and Chuan Yu and Jian Xu and Xiaoqiang Zhu},
journal= {arXiv preprint arXiv:2103.02259},
year = {2021}
}