効率的かつスケーラブルな推薦のための軽量な表現学習

数十年にわたり、推薦技術はメディアストリーミングや電子商取引など、多くのオンラインサービスにおける重要な構成要素となってきました。アルゴリズム、評価手法、データセットの近年の進展により、最先端の性能は継続的に向上しています。しかし、これらの手法をインターネット規模にまで拡張するためには、依然として多くの課題が残っています。オンライン広告は、大規模な推薦技術を検証するにあたり、特異な実験環境を提供します。毎日、数十億のユーザーがリアルタイムで数百万もの商品と相互作用しています。この状況に対応するシステムは、スケーラビリティを確保しつつも、信頼性の高い動作が求められます。本研究では、複雑さ、スケール、性能の間で新たなトレードオフを実現する効率的なモデル（LED：Lightweight Encoder-Decoder）を提案します。特に、大規模な行列因子分解（large-scale matrix factorization）と軽量な埋め込み微調整（lightweight embedding fine-tuning）を組み合わせることで、大規模な環境下でも最先端の性能を達成できることを示しました。さらに、インターネット規模で2か月間にわたり運用可能なシステムアーキテクチャの詳細な記述を提供し、その実行を実証しました。本設計により、標準的なハードウェアを用いて、数億人のユーザーが数百 millionsものアイテムに対して数ミリ秒以内でサービスを提供することが可能になります。