ترجمه فارسی مقاله RECE: کاهش تلفات آنتروپی متقاطع برای توصیه‌گرهای متوالی با کاتالوگ بزرگ

چکیده

Scalability is a major challenge in modern recommender systems. In sequential recommendations, full Cross-Entropy (CE) loss achieves state-of-the-art recommendation quality but consumes excessive GPU memory with large item catalogs, limiting its practicality. Using a GPU-efficient locality-sensitive hashing-like algorithm for approximating large tensor of logits, this paper introduces a novel RECE (REduced Cross-Entropy) loss. RECE significantly reduces memory consumption while allowing one to enjoy the state-of-the-art performance of full CE loss. Experimental results on various datasets show that RECE cuts training peak memory usage by up to 12 times compared to existing methods while retaining or exceeding performance metrics of CE loss. The approach also opens up new possibilities for large-scale applications in other domains.

چکیده به فارسی (ترجمه ماشینی)

مقیاس پذیری یک چالش اساسی در سیستم های پیشنهادی مدرن است.در توصیه های پی در پی ، از دست دادن کامل آنتروپی (CE) به کیفیت توصیه های پیشرفته ای می رسد اما حافظه بیش از حد GPU را با کاتالوگ های کالاهای بزرگ مصرف می کند و عملی آن را محدود می کند.این مقاله با استفاده از یک الگوریتم مانند هشویی حساس به محلی GPU برای تقریب تانسور بزرگ از ورود به سیستم ، این مقاله یک از دست دادن جدید (کاهش آنتروپی متقابل) را معرفی می کند.دریافت ، مصرف حافظه را به میزان قابل توجهی کاهش می دهد در حالی که به فرد اجازه می دهد از عملکرد پیشرفته از دست دادن کامل CE لذت ببرد.نتایج تجربی در مجموعه داده های مختلف نشان می دهد که در حالی که در حالی که حفظ یا بیش از معیارهای عملکرد از دست دادن CE است ، میزان استفاده از حافظه اوج آموزش را تا 12 برابر در مقایسه با روش های موجود دریافت می کند.این رویکرد همچنین امکانات جدیدی را برای برنامه های در مقیاس بزرگ در حوزه های دیگر باز می کند.