[KDD 2022 | 论文简读] 面向Top-K推荐的多方面量化强化二值化图表示学习

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