面向序列推荐的智能模型更新策略

现代在线平台正越来越多地采用推荐系统以应对信息过载并提升用户参与度。该研究领域中存在一种不断演进的范式，即推荐网络学习同时发生在云端与边缘端且二者之间进行知识迁移（即边云协作）。近期工作通过实现边缘特定的上下文感知自适应进一步推进了该领域，其中模型参数基于传入的边缘端数据进行实时更新。然而，我们认为云端与边缘端之间频繁的数据交换常导致效率低下及通信/计算资源的浪费，因为相当多的参数更新可能是冗余的。为研究此问题，我们引入了智能边云参数请求模型，简称为 IntellectReq。IntellectReq 设计运行于边缘端，以最小的通信与计算开销评估参数请求的成本收益态势。我们将此形式化为一项新颖的学习任务，旨在检测分布外数据，从而微调自适应通信策略。此外，我们采用统计映射技术将实时用户行为转换为正态分布，进而利用多样本输出量化模型的不确定性及其泛化能力。在四个广泛采用的基准上的严格实证验证评估了我们的方法，证明了边云协作与动态推荐系统的效率和泛化性得到显著提升。