推荐系统遇上深度学习(九十)-[阿里]计算成本感知的轻量级预排序系统COLD

最新推荐文章于 2024-08-19 21:06:08 发布

文文学霸

最新推荐文章于 2024-08-19 21:06:08 发布

阅读量662

点赞数

文章标签：大数据算法 python 机器学习人工智能

本文链接：https://blog.csdn.net/abcdefg90876/article/details/107888425

版权

本文介绍了预排序系统的发展，尤其是阿里巴巴的COLD系统，它是一个计算成本感知的轻量级预排序系统。COLD通过特征筛选和工程优化实现了在保证精度的同时降低计算耗时，相比基于向量内积的模型，COLD在表达能力和实时更新方面有显著提升。

摘要由CSDN通过智能技术生成

本文分享的论文是《COLD: Towards the Next Generation of Pre-Ranking System》
论文下载地址为：https://arxiv.org/abs/2007.16122

1、背景

大多数的推荐系统都遵从一种多阶段的级联结构，最为我们所熟知的就是YoutubeDNN论文中所提出的Match + Rank的两阶段结构，但在阿里的场景下，又增加了Pre-Ranking和ReRanking阶段，如下图所示：

Reranking还是比较常见的阶段，比如加入一些策略打散提升推荐的多样性等。而Pre-Ranking确实是比较少见的。其模型大小／精度介于Matching和Ranking之间。不过我感觉不需要太过纠结于是哪个阶段，或者当作Matching阶段，主要学习的论文的思路就好。

Pre-Ranking阶段可以看作是Ranking阶段的简化版，其预估的候选集数量往往限制在千级别，耗时被限制在10-20毫秒。因此Pre-Ranking阶段的模型也需要轻量化模型来满足耗时的要求。

接下来，本文首先回顾一下Pre-Ranking系统的发展，以及面临的挑战，再介绍本文提出的计算成本感知的轻量级预排序系统COLD（Computing power cost-aware Online and Lightweight Deep pre-ranking system）

关注