WeiPS：一种面向大规模在线学习的对称融合模型框架
机器学习
2020-11-25 v1
摘要
推荐系统是机器学习的重要商业应用，信息流中每日有数十亿次feed浏览。现实中，用户与物品的交互通常使用户兴趣随时间变化，因此许多公司（如字节跳动、百度、阿里巴巴、微博）采用在线学习作为快速捕捉用户兴趣的有效手段。然而，数千亿的模型参数给在线学习带来实时模型部署的挑战。此外，模型稳定性是在线学习的另一关键点。为此，我们设计并实现了一个名为WeiPS的对称融合在线学习系统框架，其集成了模型训练与模型推理。具体而言，WeiPS通过流式更新机制实现秒级模型部署以满足一致性要求；同时采用多级容错与实时多米诺降级以达到高可用性要求。
引用
@article{arxiv.2011.11983,
title = {WeiPS: a symmetric fusion model framework for large-scale online learning},
author = {Xiang Yu and Fuping Chu and Junqi Wu and Bo Huang},
journal= {arXiv preprint arXiv:2011.11983},
year = {2020}
}