基于卷积神经网络和单类支持向量机的环境推荐系统集成技术的环境影响研究

在推荐系统中采用集成技术已显示出 10-30% 的精度提升，但其环境影响尚未被测量。尽管深度学习推荐算法可产生最高达 3,297 kg CO2 的排放，但集成方法在能源消耗方面尚未得到充分评估。本论文调查了集成技术如何影响与单一优化模型相比的环境影响。我们在两个框架（Surprise 用于评分预测，LensKit 用于排序）上进行了 93 项实验，涵盖 100,000 至 780 万互动的四个数据集。我们评估了四种集成策略（平均、加权、堆叠/排序融合、优秀者），并对简单基线和优化单一模型进行测量，使用智能插座测量能源消耗。结果显示，精度与能源消耗之间呈非线性关系。集成方法在不同数据集大小和策略下实现 0.3-5.7% 的精度提升，同时消耗 19-2,549% 更多能源。Top Performers 集成显示出最佳效率：在 MovieLens-1M 上实现 0.96% 的 RMSE 提升，仅增加 18.8% 的能源开销；在 MovieLens-100K 上实现 5.7% 的 NDCG 提升，仅增加 103% 的能源开销。彻底的平均化策略消耗 88-270% 额外能源，仅获得相当的提升。在最大数据集（Anime，780 万互动）上，Surprise 集成消耗 2,005% 额外能源（0.21 Wh vs. 0.01 Wh），仅实现 1.2% 的精度提升，产生 53.8 mg CO2 排放，相较于单一模型的 2.6 mg CO2。该研究为推荐系统集成的能源和碳足迹提供了系统性测量，证明选择性策略在效率方面优于彻底平均化，并识别了在工业规模下的可扩展性限制。这些发现使我们能够在推荐系统中做出可持续的算法选择决策。