論文の概要: EasyRec: An easy-to-use, extendable and efficient framework for building
industrial recommendation systems
- arxiv url: http://arxiv.org/abs/2209.12766v1
- Date: Mon, 26 Sep 2022 15:16:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 17:18:14.654360
- Title: EasyRec: An easy-to-use, extendable and efficient framework for building
industrial recommendation systems
- Title(参考訳): EasyRec: 産業レコメンデーションシステム構築のための使いやすい、拡張可能な、効率的なフレームワーク
- Authors: Mengli Cheng, Yue Gao, Guoqiang Liu, HongSheng Jin, Xiaowen Zhang
- Abstract要約: EasyRecは使いやすく、拡張可能で、効率的なレコメンデーションフレームワークです。
EasyRecは、カスタムモデル構築の労力を削減するために、モジュラーでプラグイン可能なデザインパターンを採用する。
EasyRecは、絶え間なく変化するデータ分散に迅速に適応するために、オンライン学習を適用します。
- 参考スコア(独自算出の注目度): 16.540873572523086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present EasyRec, an easy-to-use, extendable and efficient recommendation
framework for building industrial recommendation systems. Our EasyRec framework
is superior in the following aspects: first, EasyRec adopts a modular and
pluggable design pattern to reduce the efforts to build custom models; second,
EasyRec implements hyper-parameter optimization and feature selection
algorithms to improve model performance automatically; third, EasyRec applies
online learning to fast adapt to the ever-changing data distribution. The code
is released: https://github.com/alibaba/EasyRec.
- Abstract(参考訳): 産業レコメンデーションシステム構築のための,使いやすい,拡張可能な,効率的なレコメンデーションフレームワークであるEasyRecを提案する。
まず、EasyRecはモジュラーでプラグイン可能なデザインパターンを採用し、カスタムモデル構築の労力を削減します。次に、EasyRecはハイパーパラメータ最適化と機能選択アルゴリズムを実装し、モデルパフォーマンスを自動で改善します。
コードはhttps://github.com/alibaba/easyrec。
関連論文リスト
- Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。
GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。
2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
論文 参考訳(メタデータ) (2024-03-07T19:47:48Z) - Towards Efficient and Effective Unlearning of Large Language Models for
Recommendation [48.9359576564152]
我々は, LLMunderlineRec に対する最初のアンダーライン効率とアンダーライン効果のアンダーラインアンラーニング法である textbfE2URec を提案する。
E2URecは、いくつかのLoRAパラメータだけを更新することで、未学習の効率を向上し、教師と学生のフレームワークを利用することで、未学習の効率を向上させる。
論文 参考訳(メタデータ) (2024-03-06T08:31:35Z) - EasyRL4Rec: A User-Friendly Code Library for Reinforcement Learning
Based Recommender Systems [19.006098059760305]
Reinforcement Learning-Based Recommender Systems(RS)は、長期のユーザエンゲージメントを改善する能力において、ますます認識されている。
EasyRL4Recは、RLベースのRS用にカスタマイズされた、ユーザフレンドリーで効率的なライブラリである。
EasyRL4Recは5つの広く使用されているパブリックデータセット上に構築された軽量で多様なRL環境を備えている。
論文 参考訳(メタデータ) (2024-02-23T07:54:26Z) - LlamaRec: Two-Stage Recommendation using Large Language Models for
Ranking [10.671747198171136]
ランキングベースレコメンデーション(LlamaRec)のための大規模言語モデルを用いた2段階フレームワークを提案する。
特に,ユーザインタラクション履歴に基づいて候補を検索するために,小規模なシーケンシャルレコメンデータを用いる。
LlamaRecは、推奨パフォーマンスと効率の両方において、データセットの優れたパフォーマンスを一貫して達成している。
論文 参考訳(メタデータ) (2023-10-25T06:23:48Z) - Mem-Rec: Memory Efficient Recommendation System using Alternative
Representation [6.542635536704625]
MEM-RECは、テーブルを埋め込むための新しい代替表現手法である。
MEM-RECはレコメンデーション品質を維持するだけでなく、埋め込み遅延を改善することができる。
論文 参考訳(メタデータ) (2023-05-12T02:36:07Z) - SiRi: A Simple Selective Retraining Mechanism for Transformer-based
Visual Grounding [131.0977050185209]
Selective Retraining (SiRi)は3つの人気のあるベンチマークにおいて、従来のアプローチよりも大幅に優れている。
SiRiは、限られたトレーニングデータでも驚くほど優れている。
また,その妥当性を検証するために,トランスフォーマーベース視覚接地モデルや他の視覚言語タスクにも拡張する。
論文 参考訳(メタデータ) (2022-07-27T07:01:01Z) - Easy Batch Normalization [73.89838982331453]
簡単な例は、機械学習モデルが高い信頼性で正しく分類するサンプルである。
本稿では,標準および堅牢な精度向上のための簡単な例として,補助バッチ正規化を提案する。
論文 参考訳(メタデータ) (2022-07-18T21:01:09Z) - Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。
実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。
Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
論文 参考訳(メタデータ) (2022-05-30T16:55:59Z) - Curriculum Learning for Dense Retrieval Distillation [20.25741148622744]
CL-DRDと呼ばれる総合的なカリキュラム学習に基づく最適化フレームワークを提案する。
CL-DRDは、リグレード(教師)モデルによって生成されたトレーニングデータの難易度を制御する。
3つのパブリックパス検索データセットの実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2022-04-28T17:42:21Z) - When in Doubt, Summon the Titans: Efficient Inference with Large Models [80.2673230098021]
本稿では,大規模モデルのモデル化の利点を実現する蒸留に基づく2段階の枠組みを提案する。
簡単な"例のサブセットでのみ正確な予測を行うために、私たちは、大きな教師モデルを使用して、軽量な学生モデルをガイドします。
提案した蒸留法は, 簡単な事例のみを扱うため, 学生規模でより積極的なトレードオフが可能であり, 推論の償却コストを低減できる。
論文 参考訳(メタデータ) (2021-10-19T22:56:49Z) - AutoRec: An Automated Recommender System [44.11798716678736]
エコシステムから拡張された、オープンソースの自動機械学習(AutoML)プラットフォームであるAutoRecを紹介します。
AutoRecはスパースとディープインプットの両方に対応可能な、非常にフレキシブルなパイプラインをサポートする。
ベンチマークデータセットで実施された実験によると、AutoRecは信頼性が高く、事前の知識なしに最高のモデルに似たモデルを特定することができる。
論文 参考訳(メタデータ) (2020-06-26T17:04:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。