論文の概要: Continuous Input Embedding Size Search For Recommender Systems

• arxiv url: http://arxiv.org/abs/2304.03501v5
• Date: Thu, 23 Oct 2025 05:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:01.137659
• Title: Continuous Input Embedding Size Search For Recommender Systems
• Title（参考訳）: Recommenderシステムにおける連続入力埋め込みサイズ探索
• Authors: Yunke Qu, Tong Chen, Xiangyu Zhao, Lizhen Cui, Kai Zheng, Hongzhi Yin,
• Abstract要約: 連続入力埋め込みサイズ探索(CIESS)は、任意の埋め込みサイズを選択可能な連続探索空間上で動作する新しいRLベースの手法である。 CIESSはモデルに依存しないため、様々な潜在因子RSに一般化できる。 2つの実世界のデータセットに関する実験では、異なるメモリ予算の下でCIESSの最先端のパフォーマンスが示されている。
• 参考スコア（独自算出の注目度）: 60.89189829112067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent factor models are the most popular backbones for today's recommender systems owing to their prominent performance. Latent factor models represent users and items as real-valued embedding vectors for pairwise similarity computation, and all embeddings are traditionally restricted to a uniform size that is relatively large (e.g., 256-dimensional). With the exponentially expanding user base and item catalog in contemporary e-commerce, this design is admittedly becoming memory-inefficient. To facilitate lightweight recommendation, reinforcement learning (RL) has recently opened up opportunities for identifying varying embedding sizes for different users/items. However, challenged by search efficiency and learning an optimal RL policy, existing RL-based methods are restricted to highly discrete, predefined embedding size choices. This leads to a largely overlooked potential of introducing finer granularity into embedding sizes to obtain better recommendation effectiveness under a given memory budget. In this paper, we propose continuous input embedding size search (CIESS), a novel RL-based method that operates on a continuous search space with arbitrary embedding sizes to choose from. In CIESS, we further present an innovative random walk-based exploration strategy to allow the RL policy to efficiently explore more candidate embedding sizes and converge to a better decision. CIESS is also model-agnostic and hence generalizable to a variety of latent factor RSs, whilst experiments on two real-world datasets have shown state-of-the-art performance of CIESS under different memory budgets when paired with three popular recommendation models.
• Abstract（参考訳）: 潜在因子モデルは、その顕著なパフォーマンスのため、今日のレコメンデータシステムの最も人気のあるバックボーンである。 潜在因子モデル(Latent Factor Model)は、ユーザとアイテムを、ペアの類似性計算のための実数値埋め込みベクトルとして表現し、すべての埋め込みは、伝統的に比較的大きな(例えば256次元)均一サイズに制限される。 現代のeコマースにおけるユーザーベースとアイテムカタログの指数関数的拡大により、このデザインは明らかにメモリ非効率になりつつある。 軽量なレコメンデーションを容易にするため、強化学習(RL)は、最近、異なるユーザ/イテムに対して様々な埋め込みサイズを識別する機会を開放した。 しかし、探索効率と最適なRLポリシーの学習により、既存のRLベースの手法は高度に離散的で事前定義された埋め込みサイズ選択に制限される。 これにより、メモリ予算の下でより詳細な粒度を埋め込みサイズに導入し、より良い推奨効率を得るという、見落とされがちな可能性につながります。 本稿では,任意の埋め込みサイズを選択可能な連続探索空間上で動作させる新しいRL方式である連続入力埋め込みサイズ探索(CIESS)を提案する。 CIESSでは、RLポリシーがより効率的な候補埋め込みサイズを探索し、より良い決定に収束するための革新的なランダムウォークベースの探索戦略をさらに提示する。 CIESSはモデルに依存しないため、様々な潜在因子RSに対して一般化可能であるが、2つの実世界のデータセットの実験では、3つの一般的な推奨モデルと組み合わせることで、異なるメモリ予算下でCIESSの最先端のパフォーマンスが示されている。

関連論文リスト

• Scalable Dynamic Embedding Size Search for Streaming Recommendation [47.69328280479569]
  実世界のレコメンデーションシステムは、しばしばストリーミングレコメンデーションシナリオで機能する。 ユーザやアイテムの数は増加を続けており、かなりのストレージリソース消費につながっている。 SCALLと呼ばれるストリーミングレコメンデーション用のLightweight Embeddingsを学び、ユーザ/イテムの埋め込みサイズを適応的に調整できる。
  論文  参考訳（メタデータ） (2024-07-22T06:37:24Z)
• Budgeted Embedding Table For Recommender Systems [39.882452493920724]
  BET(Budgeted Embedding Table)は、メモリ予算を満たすように保証されたテーブルレベルのアクションを生成する新しい方法である。 BETは、メモリ予算の異なる3つの一般的な推奨モデルと組み合わせられている。
  論文  参考訳（メタデータ） (2023-10-23T12:53:22Z)
• Reinforcement Learning from Diverse Human Preferences [68.4294547285359]
  本稿では,人選好ラベルをクラウドソーシングし,多様な嗜好から学習する手法を開発した。 提案手法はDMcontrolとMeta-worldの様々なタスクでテストされる。 多様なフィードバックから学ぶと、既存の好みベースのRLアルゴリズムよりも一貫性があり、大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-27T15:18:54Z)
• Differentiable Neural Input Search for Recommender Systems [26.88124270897381]
  Differentiable Neural Input Search (DNIS) は、より柔軟な空間における混合特徴埋め込み次元を探索する手法である。 DNISはモデルに依存しないため、既存の潜在因子モデルとシームレスに統合して推奨することができる。
  論文  参考訳（メタデータ） (2020-06-08T10:43:59Z)

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。