用于在线推荐系统的快速分布式_bandit
分布式、并行与集群计算
2020-07-17 v1 机器学习
摘要
上下文_bandit 算法常用于推荐系统，其中内容流行度可能快速变化。这些算法基于与用户和物品均相关的上下文，持续学习它们之间的潜在映射。近期学习用户间聚类或社会结构的推荐算法展现出更高的推荐精度。然而，随着环境中用户和物品数量的增加，生成推荐所需的时间显著恶化。因此，这些算法无法实际部署。最先进的分布式_bandit 算法——DCCB——依赖点对点网络在分布式工作节点间共享信息。然而，该方法不能很好地随用户数量增长而扩展。此外，它存在集群发现缓慢的问题，导致精度下降。为解决上述问题，本文提出一种称为 DistCLUB 的新型分布式_bandit 算法。该算法以分布式方式惰性创建集群，并大幅降低网络数据共享需求，实现高可扩展性。此外，DistCLUB 更快地发现集群，比最先进算法取得更好精度。在真实基准和合成数据集上的评估表明，DistCLUB 平均比 DCCB 快 8.87 倍，并实现 14.5% 更高的归一化预测性能。
引用
@article{arxiv.2007.08061,
title = {Fast Distributed Bandits for Online Recommendation Systems},
author = {Kanak Mahadik and Qingyun Wu and Shuai Li and Amit Sabne},
journal= {arXiv preprint arXiv:2007.08061},
year = {2020}
}
备注
13 pages, Appeared at ACM International Conference on Supercomputing 2020 (ICS)