简读分享 | 龙文韬 编辑 | 李仲深
论文题目
Learning Binarized Graph Representations with Multi-faceted Quantization Reinforcement for Top-K Recommendation
论文摘要
学习向量化嵌入是各种用户-项目匹配推荐系统的核心。为了执行有效的在线推理,表示量化,主要通过一个紧凑的离散数字序列嵌入潜在的特征,最近显示出该方法在优化内存和计算开销方面的潜力。然而,现有的工作仅仅关注于数值量化,而忽略了随之而来的信息丢失问题,因此可能导致性能下降。在本文中,作者提出了一个新的量化框架来学习用于Top-K推荐的二值化图表示(BiGeaR)。作者在二值化表示学习的前、中、后三个阶段引入了多方面的量化强化,这大大保留了对嵌入二值化的信息量。除了节省内存占用之外,它还通过位操作进一步开发了可靠的在线推理加速,为实际部署提供了可选的灵活性。在5个大型实际基准测试上的经验结果表明,BiGeaR比最先进的基于量化的推荐系统的性能提高了22%~40%,达到了最佳全精度推荐系统的95%~102%的性能,减少了超过8倍的时间和空间。
论文链接
https://doi.org/10.1145/3534678.3539452