关于梯度提升决策树与神经排序器：以 ShareChat 短视频推荐为例的案例研究
信息检索
2023-12-05 v1
摘要
希望构建依赖排序模型的真实应用从业者需要决定遵循哪种建模范式。这并非一个容易的选择，因为关于该主题的研究文献近年来一直在发生变化。特别是，尽管梯度提升决策树（GBDT）在十多年来一直占据主导地位，但神经网络的灵活性使其迎头赶上，最近的工作报告了不相上下的准确率指标。然而，实际的系统在决定建模方法时，需要考虑纯准确率指标之外的因素。本工作描述了我们在平衡所出现的一些权衡方面的经验，并以短视频推荐应用为案例研究进行了展示。我们强调：（1）神经网络处理大规模训练数据以及用户和物品嵌入的能力，使得在此设定下其模型比 GBDT 更准确；（2）由于 GBDT 对专用硬件的依赖性较低，它们能够以更低的成本提供同等准确的模型。我们相信这些发现与学术界和工业界的研究人员均息息相关，并希望它们能启发未来需要做出类似建模选择的从业者。
引用
@article{arxiv.2312.01760,
title = {On Gradient Boosted Decision Trees and Neural Rankers: A Case-Study on Short-Video Recommendations at ShareChat},
author = {Olivier Jeunen and Hitesh Sagtani and Himanshu Doi and Rasul Karimov and Neeti Pokharna and Danish Kalim and Aleksei Ustimenko and Christopher Green and Wenzhe Shi and Rishabh Mehrotra},
journal= {arXiv preprint arXiv:2312.01760},
year = {2023}
}
备注
Appearing in the Industry Track Proceedings of the Forum for Information Retrieval Evaluation (FIRE '23)