基于频率双哈希的推荐系统模型尺寸缩减
社会与信息网络
2020-07-30 v1 机器学习
机器学习
摘要
具有稀疏输入特征的深度神经网络（DNNs）已广泛用于工业推荐系统。这些模型具有较大的内存需求并需要大量训练数据。较大的模型尺寸通常意味着与推理服务进行存储和通信的成本，达数百万美元量级。在本文中，我们提出一种混合哈希方法，结合频率哈希和双哈希技术以缩减模型尺寸，且不损害性能。我们在两个产品界面上评估了所提出的模型。在两种情况下，实验结果均表明我们可将模型尺寸缩减约 90%，同时保持与原始基线相当的性能。
引用
@article{arxiv.2007.14523,
title = {Model Size Reduction Using Frequency Based Double Hashing for Recommender Systems},
author = {Caojin Zhang and Yicun Liu and Yuanpu Xie and Sofia Ira Ktena and Alykhan Tejani and Akshay Gupta and Pranay Kumar Myana and Deepak Dilipkumar and Suvadip Paul and Ikuhiro Ihara and Prasang Upadhyaya and Ferenc Huszar and Wenzhe Shi},
journal= {arXiv preprint arXiv:2007.14523},
year = {2020}
}
备注
Paper is accepted to RecSys 2020