ترجمه فارسی مقاله ماشین‌های فاکتورگیری میدانی وزن‌دار با رتبه پایین برای توصیه اقلام با تأخیر کم

چکیده

Factorization machine (FM) variants are widely used in recommendation systems that operate under strict throughput and latency requirements, such as online advertising systems. FMs are known both due to their ability to model pairwise feature interactions while being resilient to data sparsity, and their computational graphs that facilitate fast inference and training. Moreover, when items are ranked as a part of a query for each incoming user, these graphs facilitate computing the portion stemming from the user and context fields only once per query. Consequently, in terms of inference cost, the number of user or context fields is practically unlimited. More advanced FM variants, such as FwFM, provide better accuracy by learning a representation of field-wise interactions, but require computing all pairwise interaction terms explicitly. The computational cost during inference is proportional to the square of the number of fields, including user, context, and item. When the number of fields is large, this is prohibitive in systems with strict latency constraints. To mitigate this caveat, heuristic pruning of low intensity field interactions is commonly used to accelerate inference. In this work we propose an alternative to the pruning heuristic in FwFMs using a diagonal plus symmetric low-rank decomposition. Our technique reduces the computational cost of inference, by allowing it to be proportional to the number of item fields only. Using a set of experiments on real-world datasets, we show that aggressive rank reduction outperforms similarly aggressive pruning, both in terms of accuracy and item recommendation speed. We corroborate our claim of faster inference experimentally, both via a synthetic test, and by having deployed our solution to a major online advertising system. The code to reproduce our experimental results is at https://github.com/michaelviderman/pytorch-fm/tree/dev.

چکیده به فارسی (ترجمه ماشینی)

انواع دستگاه فاکتور سازی (FM) به طور گسترده ای در سیستم های توصیه ای که تحت نیازهای سخت و زمان تأخیر مانند سیستم های تبلیغاتی آنلاین کار می کنند ، مورد استفاده قرار می گیرند.FMS هر دو به دلیل توانایی آنها در مدل سازی تعامل با ویژگی های زوج در حالی که در برابر داده های پراکندگی داده ها و نمودارهای محاسباتی آنها است که استنباط و آموزش سریع را تسهیل می کند ، شناخته شده است.علاوه بر این ، هنگامی که موارد به عنوان بخشی از یک پرس و جو برای هر کاربر ورودی رتبه بندی می شوند ، این نمودارها محاسبه بخشی که از کاربر و زمینه های متن را فقط یک بار در هر پرس و جو محاسبه می کند ، تسهیل می کند.در نتیجه ، از نظر هزینه استنباط ، تعداد زمینه های کاربر یا زمینه عملاً نامحدود است.انواع پیشرفته تر FM ، مانند FWFM ، با یادگیری بازنمایی از تعاملات عاقلانه ، دقت بهتری را ارائه می دهند ، اما نیاز به محاسبه تمام اصطلاحات تعامل زوج به صراحت دارند.هزینه محاسباتی در هنگام استنتاج متناسب با مربع تعداد زمینه ها از جمله کاربر ، زمینه و مورد است.هنگامی که تعداد زمینه ها زیاد است ، این در سیستم هایی با محدودیت های تأخیر دقیق ممنوع است.برای کاهش این احتیاط ، هرس اکتشافی از فعل و انفعالات میدانی با شدت کم معمولاً برای تسریع در استنتاج استفاده می شود.در این کار ما جایگزینی برای اکتشافی هرس در FWFMS با استفاده از یک تجزیه و تحلیل با درجه پایین متقارن به علاوه متقارن ارائه می دهیم.تکنیک ما با اجازه دادن متناسب با تعداد زمینه های مورد ، هزینه محاسباتی استنباط را کاهش می دهد.با استفاده از مجموعه ای از آزمایشات در مجموعه داده های دنیای واقعی ، ما نشان می دهیم که کاهش درجه تهاجمی از هرس تهاجمی به طور مشابه ، هم از نظر دقت و هم از سرعت توصیه مورد استفاده می کند.ما ادعای خود را در مورد استنباط سریعتر به صورت تجربی ، هم از طریق آزمایش مصنوعی و هم با استقرار راه حل خود به یک سیستم تبلیغاتی آنلاین آنلاین تأیید می کنیم.کد برای بازتولید نتایج آزمایشی ما در https://github.com/michaelviderman/pytorch-fm/tree/dev است.