轻量级特征与模型剪枝提升深度推荐系统性能
信息检索
2026-05-08 v1
摘要
深度推荐系统（DRS）常面临在高维输入特征处理中权衡计算效率与模型精度的挑战。现有方法要么聚焦提升精度而忽视训练效率，要么优先追求效率而牺牲跨任务的准确性。我们提出Light-FMP：轻量级特征与模型剪枝，以增强DRS为目标框架，通过三个关键阶段实现挑战解决：预训练、剪枝和继续训练。采用硬具体分布（hard concrete distribution），在小数据子集上高效预训练掩码层，以识别重要特征。随后对模型与特征进行剪枝，并在剩余数据集上采用领域适配参数继续训练。实验在来自真实场景的基准数据集上表明，Light-FMP在效率与准确性之间取得统一提升，同时保持可扩展性与鲁棒性。
引用
@article{arxiv.2605.06441,
title = {Light-FMP: Lightweight Feature and Model Pruning for Enhanced Deep Recommender Systems},
author = {Nghia Bui and Yue Ning and Lijing Wang},
journal= {arXiv preprint arXiv:2605.06441},
year = {2026}
}