轻量级表示学习用于高效且可扩展的推荐

过去几十年间，推荐系统已成为媒体流媒体、电子商务等众多在线服务的关键组成部分。近年来，算法、评估方法以及数据集的持续进步推动了推荐技术的不断演进。然而，要使这些方法真正适应互联网规模，仍有许多工作亟待完成。在线广告为大规模推荐系统提供了一个独特的测试平台。每天，数十亿用户在实时环境中与数百万种商品进行交互。针对此类场景的系统必须具备在超大规模下稳定运行的能力。为此，我们提出了一种高效的模型（LED，即轻量级编码器-解码器模型），在模型复杂度、可扩展性与性能之间实现了新的平衡。具体而言，我们证明了将大规模矩阵分解与轻量级嵌入微调相结合，能够在互联网规模下实现当前最优的推荐性能。此外，我们详细描述了一种系统架构，并展示了其在互联网规模下连续两个月的运行效果。该设计仅使用标准硬件，即可在数毫秒内为数十亿用户提供服务，覆盖数亿个物品。