探索媒体推荐系统中的彩票假设
信息检索
2022-01-11 v2
摘要
媒体推荐系统旨在捕捉用户偏好并提供精确的媒体内容个性化推荐。现代推荐模型通用范式中有两个关键组件：(1) 表示学习，为每个用户和物品生成嵌入；(2) 交互建模，基于其表示拟合用户对物品的偏好。尽管取得巨大成功，当存在大量用户与物品时，通常需创建、存储并优化庞大的嵌入表，模型参数量轻易达到数百万甚至更大。因此，自然引发关于繁重推荐模型的问题：我们真的需要如此大规模的参数吗？我们从近期提出的彩票假设（LTH）获得启发，该假设认为稠密且过参数化的模型包含一个更小更稀疏的子模型，可达到与完整模型相当的性能。本文将 LTH 拓展至媒体推荐系统，旨在深度推荐模型中找到中奖票（winning tickets）。据我们所知，这是首个在媒体推荐系统中研究 LTH 的工作。以 MF 和 LightGCN 为骨干模型，我们发现推荐模型中广泛存在中奖票。在三个媒体聚合数据集——Yelp2018、TikTok 和 Kwai 上，中奖票分别仅用 29%~48%、7%~10% 和 3%~17% 的参数即可达到可比的推荐性能。
引用
@article{arxiv.2108.00944,
title = {Exploring Lottery Ticket Hypothesis in Media Recommender Systems},
author = {Yanfang Wang and Yongduo Sui and Xiang Wang and Zhenguang Liu and Xiangnan He},
journal= {arXiv preprint arXiv:2108.00944},
year = {2022}
}
备注
International Journal of Intelligent Systems (IJIS 2021)