文献

J-GLOBAL ID：202002237258649992   整理番号：20A2139552

深いレコメンダーシステムにおける自動埋め込みサイズ探索【JST・京大機械翻訳】

Automated Embedding Size Search in Deep Recommender Systems

著者 (5件)： Liu Haochen (Michigan State University, East Lansing, MI, USA) ,  Zhao Xiangyu (Michigan State University, East Lansing, MI, USA) ,  Wang Chong (Bytedance, Beijing, China) ,  Liu Xiaobing (Bytedance, Beijing, China) ,  Tang Jiliang (Michigan State University, East Lansing, MI, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： SIGIR ’20  ページ： 2307-2316  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深い推薦システムは,実世界推薦タスクに対して有望な性能を達成した。それらは,通常,低次元埋込み空間におけるユーザとアイテムを代表し,次に,予測のために次の深いネットワーク構造に埋込みを送り込む。伝統的な深い推薦者モデルは,すべてのユーザとアイテムに対して一様で固定埋込みサイズを採用することが多い。しかし,そのような設計は,推薦性能だけでなく,空間複雑性に関しても最適ではない。本論文では,異なるユーザとアイテムに対する埋込みサイズを動的に探索し,新しい埋込みサイズ調整ポリシーネットワーク(ESAPN)を導入した。ESAPNはユーザとアイテムに対する適切な埋込みサイズを適応的に探索するための自動化強化学習エージェントとして役立つ。既存の研究と異なり,このモデルは異なる埋込みサイズでハード選択を実行し,より正確な選択をもたらし,記憶空間を減少させる。2つの実世界ベンチマークデータセット上でのストリーミング設定の下でこのモデルを評価した。結果は,提案フレームワークが代表的なベースラインより優れていることを示した。さらに,このフレームワークは,コールドスタート問題に対してロバストであり,メモリ消費を約40%~90%低減することを示した。モデルの実装を解放した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  自動化 ,  ネットワーク構造 ,  基準線 ,  ロバスト性 ,  *ストリーミング
準シソーラス用語： 推奨システム ,  複雑性 ,  低次元 ,  学習エージェント , 【Automatic Indexing@JST】

著者キーワード (3件)： AutoML ,  埋め込み ,  レコメンダーシステム

分類 (2件)： 計算機網  (JC03000K) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 埋め込み ,  サイズ ,  探索