DCRNN：一种基于 RNN 的深层交叉多任务学习部分参数共享方法
信息检索
2023-10-19 v1
摘要
近年来，深度学习（DL）发展迅速，个性化服务正探索使用 DL 算法提升推荐系统性能。对于个性化服务，一次成功的推荐包含两部分：吸引用户点击物品与用户愿意消费该物品。若需同时预测两任务，传统推荐系统通常训练两个独立模型。该方法繁琐且不能有效建模“点击-消费”两子任务间关系。因此，为提高推荐成功率并降低计算成本，研究者尝试建模多任务学习。目前现有多任务学习模型普遍采用硬参数共享或软参数共享架构，但二者各有问题。为此，我们基于真实推荐场景提出一种新颖推荐模型——基于 RNN 的部分参数共享深度交叉网络（DCRNN）。该模型有三处创新：1）采用交叉网络思想并利用 RNN 网络交叉处理特征，从而有效提升模型表达能力；2）创新性提出部分参数共享结构；3）可有效捕捉不同任务间潜在关联，以优化学习不同任务的效率与方法。
引用
@article{arxiv.2310.11777,
title = {DCRNN: A Deep Cross approach based on RNN for Partial Parameter Sharing in Multi-task Learning},
author = {Jie Zhou and Qian Yu},
journal= {arXiv preprint arXiv:2310.11777},
year = {2023}
}
备注
Work done while the first author was an algorithm engineer at Xiaomi Inc