基于元控制器的端云协同推荐

端侧机器学习使得推荐模型能够在本地客户端轻量级部署，这减轻了云端推荐器的负担，同时融入了更多实时用户特征。然而，考虑到其强大的模型容量和从数十亿级物品池中高效生成候选的能力，工业界的云端推荐仍然非常重要。以往整合两种范式优点的尝试主要采用串行机制，即在云端推荐的基础上构建端侧推荐器。然而，当用户兴趣发生剧烈变化时，这种设计缺乏灵活性：端侧模型受限于有限的物品缓存，而基于大规模物品池的云端推荐在没有新的刷新反馈时无法响应。为了克服这个问题，我们提出了一种元控制器来动态管理端侧推荐器和云端推荐器之间的协作，并从因果角度引入了一种新颖的高效样本构建方法，以解决元控制器的数据集缺失问题。基于反事实样本和扩展训练，在工业推荐场景中的大量实验显示了元控制器在端云协作中的潜力。