Grubhub推荐系统中的在线学习
信息检索
2024-12-03 v1 机器学习
摘要
我们提出一种利用迁移学习轻松修改现有离线推荐系统使其在线运行的方法。推荐系统的在线学习有两个主要优势：质量与规模。与许多生产环境中的机器学习算法一样，若不定期重新训练将遭受概念漂移的影响。在线频繁更新的策略比批处理系统能更快地适应漂移。对于像推荐系统这类用户交互系统而言尤其如此，其底层分布可能随用户行为发生剧烈偏移。随着像Grubhub这样的平台快速增长，运行批训练作业的成本变得可观。从离线无状态批学习转向在线有状态增量学习可带来显著收益，例如在Grubhub可节省高达45倍成本并提升20%的指标。向在线有状态学习的过渡需克服若干挑战，即收敛性、非平稳嵌入与离策略评估，我们结合在生产中运行该系统的经验对此进行了探讨。
引用
@article{arxiv.2107.07106,
title = {Online Learning for Recommendations at Grubhub},
author = {Alex Egg},
journal= {arXiv preprint arXiv:2107.07106},
year = {2024}
}