在购物篮与物品增删下高效维护下一购物篮推荐
信息检索
2022-02-02 v1 人工智能
摘要
在当今日益数字化的社会中，推荐系统在帮助人们寻找信息和做出决策方面发挥着重要作用。然而，此类机器学习应用的广泛采用也引发了数据隐私方面的担忧。欧洲最近出台的《通用数据保护条例》（GDPR）解决了这些担忧，该条例要求公司在用户行使“被遗忘权”时，应根据请求删除个人用户数据。许多研究者认为，这种删除义务不仅适用于存储在关系数据库等主数据存储中的数据，还要求更新其训练集包含待删除个人数据的机器学习模型。我们在被称为下一购物篮推荐（NBR）的序列推荐任务背景下探索这一方向，其目标是根据用户的购买历史推荐一组物品。我们设计了高效的算法，以响应购物篮和物品的增删，对最先进的下一购物篮推荐模型进行增量和减量更新。此外，我们讨论了在 Spark Structured Streaming 系统中该方法的高效数据并行实现。我们在各种真实世界数据集上评估了我们的实现，研究了更新技术对多个排序指标的影响，并测量了执行模型更新的时间。结果表明，在增量更新场景下，针对额外增加的用户购物篮，我们的方法提供了常数时间的更新效率；在删除已有购物篮的减量更新场景下，提供了线性时间效率。凭借适度的计算资源，在增量场景下，无论历史规模大小，我们都能以约 0.2 毫秒的延迟更新模型；在减量场景下，延迟不到 1 毫秒。
引用
@article{arxiv.2201.13313,
title = {Efficiently Maintaining Next Basket Recommendations under Additions and Deletions of Baskets and Items},
author = {Benjamin Longxiang Wang and Sebastian Schelter},
journal= {arXiv preprint arXiv:2201.13313},
year = {2022}
}
备注
ORSUM Workshop at Recommender Systems Conference 2021, Amsterdam, the Netherlands