HyperZero：面向带有小时级反馈的推荐系统的定制化端到端自动调优系统
信息检索
2025-01-31 v1 机器学习
摘要
现代推荐系统可大致划分为两个关键阶段：排序阶段，其中系统预测各种用户参与度（如点击-through率、点赞率、关注率、观看时长），以及价值模型阶段，该阶段通过聚合函数（如由权重向量定义的线性组合）来衡量每个内容的价值，得到单个数值评分。两个阶段在实际工业系统中在重要性上大致相当；然而，如何优化第二个阶段的模型权重仍缺乏系统性研究。本文通过自动调优技术聚焦于优化第二个阶段。虽然通用的自动调优系统和解决方案——无论来自成熟的生产实践还是开源解决方案——可以解决这个问题，但通常需要数周甚至数月才能识别一个可行的解决方案。这种长时间的调优过程在推荐系统的生产环境中是不可接受的，因为次优的价值模型会严重损害用户体验。需要一种在2-3天内即可识别可行模型的有效自动调优解决方案。本文介绍了一个名为HyperZero的实用自动调优系统，旨在满足这些时间约束，同时有效解决现代推荐系统固有的独特挑战。此外，该框架有望扩展到推荐系统更广泛的调优任务中。
引用
@article{arxiv.2501.18126,
title = {HyperZero: A Customized End-to-End Auto-Tuning System for Recommendation with Hourly Feedback},
author = {Xufeng Cai and Ziwei Guan and Lei Yuan and Ali Selman Aydin and Tengyu Xu and Boying Liu and Wenbo Ren and Renkai Xiang and Songyi He and Haichuan Yang and Serena Li and Mingze Gao and Yue Weng and Ji Liu},
journal= {arXiv preprint arXiv:2501.18126},
year = {2025}
}