ERASE：面向深度推荐系统的特征选择方法基准测试

深度推荐系统（DRS）越来越依赖于大量的特征字段以实现更精确的推荐。因此，有效的特征选择方法对于进一步提高准确性和优化存储效率以符合部署需求变得至关重要。这一研究领域，特别是在 DRS 的背景下，尚处于起步阶段，面临三个核心挑战。首先，不同研究论文中不同的实验设置往往导致不公平的比较，掩盖了实际的见解。其次，现有文献缺乏基于大规模数据集对选择属性以及选择技术与 DRS 主干网络之间全面比较的详细分析，限制了研究结果的泛化能力并阻碍了在 DRS 上的部署。最后，研究通常侧重于比较特征选择方法可达到的峰值性能，这种方法在寻找最优超参数方面通常在计算上是不可行的，并且忽略了对这些方法的鲁棒性和稳定性的评估。为了弥补这些差距，本文提出了 ERASE，一个用于 DRS 特征选择的综合基准测试。ERASE 包含对十一种特征选择方法的全面评估，涵盖传统方法和深度学习方法，在四个公共数据集、私有工业数据集和真实商业平台上进行了测试，取得了显著提升。我们的代码已在线公开，以便于复现。