LiMAML：通过元学习实现深度推荐模型的个性化
信息检索
2024-03-05 v1 人工智能
机器学习
摘要
在推荐系统领域，深度神经网络的普遍采用已成为建模多样化业务目标的主导范式。随着用户群的不断扩大，个性化和频繁模型更新的必要性变得至关重要，以确保为多样化的成员提供相关且新鲜的体验。在这项工作中，我们引入了一种创新的元学习解决方案，专门用于为单个成员和其他实体个性化模型，同时基于最新的用户交互信号进行频繁更新。具体来说，我们利用模型无关元学习（MAML）算法，使用最近的用户交互数据来适应每个任务的子网络。鉴于在在线推荐系统中将原始MAML模型投入生产几乎不可行，我们提出了一种高效的策略来将元学习子网络投入生产，该策略涉及将它们转换为固定大小的向量，称为元嵌入，从而能够无缝部署具有数千亿参数的模型用于在线服务。通过在LinkedIn各种应用的生产数据上进行的大量实验，我们证明了所提出的解决方案始终优于这些应用的基线模型，包括使用宽深ID个性化方法的强基线。我们的方法使得在LinkedIn的多个应用中部署了一系列高度个性化的AI模型，从而显著改善了业务指标并为我们的成员提供了更新的体验。
引用
@article{arxiv.2403.00803,
title = {LiMAML: Personalization of Deep Recommender Models via Meta Learning},
author = {Ruofan Wang and Prakruthi Prabhakar and Gaurav Srivastava and Tianqi Wang and Zeinab S. Jalali and Varun Bharill and Yunbo Ouyang and Aastha Nigam and Divya Venugopalan and Aman Gupta and Fedor Borisyuk and Sathiya Keerthi and Ajith Muralidharan},
journal= {arXiv preprint arXiv:2403.00803},
year = {2024}
}