面向两阶段推荐搜索的最远贪心路径采样
机器学习
2023-11-01 v1 信息检索
摘要
权重共享神经架构搜索（WS-NAS）为开发端到端深度推荐模型提供了高效机制。然而，在复杂搜索空间中，区分优劣架构（或路径）颇具挑战。超网覆盖有限与子网络权重共适应进一步加剧了该挑战，限制了权重共享机制固有的探索与利用能力。为应对这些挑战，我们提出最远贪心路径采样（FGPS），一种平衡路径质量与多样性的新路径采样策略。FGPS增强路径多样性以促进更全面的超网探索，同时强调路径质量以确保有效识别并利用有前景的架构。通过将FGPS纳入两阶段NAS（TS-NAS）框架，我们推导出高性能架构。在三个点击率（CTR）预测基准上的评估表明，我们的方法持续取得优越结果，优于手动设计与大多数基于NAS的模型。
引用
@article{arxiv.2310.20705,
title = {Farthest Greedy Path Sampling for Two-shot Recommender Search},
author = {Yufan Cao and Tunhou Zhang and Wei Wen and Feng Yan and Hai Li and Yiran Chen},
journal= {arXiv preprint arXiv:2310.20705},
year = {2023}
}
备注
9 pages, 5 figures