构建推荐系统中处理大规模基数问题
信息检索
2024-01-19 v1 人工智能
摘要
有效的推荐系统依赖于捕捉用户偏好，通常需要纳入众多特征，例如实体的通用唯一标识符（UUID）。然而，UUID的极高基数性由于稀疏性导致模型退化和模型大小增加的重大挑战。本文提出了两种创新技术来解决推荐系统中的高基数挑战。具体来说，我们提出了一种词袋方法，结合层共享，在提高性能的同时大幅减小模型大小。我们的技术通过Uber用例的离线和在线实验进行了评估，结果令人鼓舞，证明了我们的方法在优化推荐系统和提升其整体性能方面的有效性。
引用
@article{arxiv.2401.09572,
title = {Handling Large-scale Cardinality in building recommendation systems},
author = {Dhruva Dixith Kurra and Bo Ling and Chun Zh and Seyedshahin Ashrafzadeh},
journal= {arXiv preprint arXiv:2401.09572},
year = {2024}
}