検索
ホームページテクノロジー周辺機器AIGNNs技術のレコメンドシステムへの応用とその実用化

GNNs技術のレコメンドシステムへの応用とその実用化

1. GNN レコメンデーション システムの基礎となるコンピューティング能力の進化

過去 20 年間、コンピューティング形式は進化し続けてきました。 2010 年以前は、クラウド コンピューティングが特に人気がありましたが、他のコンピューティング形式は比較的弱いものでした。ハードウェアのコンピューティング能力の急速な発展とエンドサイド チップの導入により、エッジ コンピューティングが特に重要になっています。現在の 2 つの主要なコンピューティング形式は、AI の開発を 2 つの二極化した方向に形成しています。一方で、クラウド コンピューティング アーキテクチャでは、超大規模クラスター機能を使用して、基盤モデルなどの大規模な AI モデルをトレーニングできます。またはいくつかの生成モデル。一方で、エッジコンピューティングの発展により、AIモデルを端末側に展開し、さまざまな認識タスクを端末側で実行するなど、より軽量なサービスを提供することも可能になります。同時に、メタバースの発展に伴い、多くのモデルの計算がエンド側に配置されるようになります。したがって、これら 2 つのコンピューティング形式が調和させたい中心的な問題は、コンピューティングと送信の間のバランスであり、その後、人工知能の二極化した発展が続きます。

GNNs技術のレコメンドシステムへの応用とその実用化

2. エンドサイド GNN レコメンデーション システムのパーソナライゼーション

GNNs技術のレコメンドシステムへの応用とその実用化

これら 2 つの計算フォームは GNN のレコメンデーション システムに機会をもたらしますか?

Duanyun の視点は、全体像と局所的なサブグラフの視点と比較できます。 GNN の推奨システムでは、グローバル サブグラフは、多くのノード レベルのサブグラフから継続的に収集されるグローバル サブグラフです。その利点は、データが完全であり、ノード間の比較的包括的な関係を提供できることです。この種の帰納的バイアスはより普遍的であり、さまざまなノードのルールを要約して帰納的バイアスを抽出するため、強い汎化能力を持っています。局所化されたサブグラフは必ずしも特に完全であるわけではありませんが、その利点は、サブグラフ上で個人の行動の進化を正確に記述し、個人化されたノード関係の確立を提供できることです。したがって、端末とクラウドの関係は、グローバル サブグラフとローカライズされたサブグラフに似ています。クラウド コンピューティングはサービスを提供するための強力な集中型コンピューティング能力を提供できますが、端末はいくつかのデータ パーソナライズされたサービスを提供できます

グローバル グラフとローカライズされたサブグラフの利点を組み合わせて、モデルのパフォーマンスについては、今年の WSDM2022 で発表された研究で調査されました。これは、グローバル グラフのグラフ モデリング全体を持ち、適応を行うためにサブグラフを使用していくつかのローカル モデルを構築する Ada-GNN (グラフ ニューラル ネットワークを改善するためのローカル パターンへの適応) モデルを提案します。このような適応の本質は、グローバル モデルとローカル モデルを組み合わせたモデルがローカル グラフのルールをより洗練された方法で認識できるようにし、個別化された学習パフォーマンスを向上させることです。

GNNs技術のレコメンドシステムへの応用とその実用化

次に、特定の例を使用して、サブグラフに注意を払う必要がある理由を説明します。電子商取引の推奨システムには、携帯電話、パッド、カメラ、携帯電話周辺製品などのデジタル製品間の関係を説明できるデジタル愛好家のグループが存在します。彼がカメラの 1 つをクリックすると、誘導バイアスが引き起こされました。グループ貢献度マップによって引き起こされる帰納的バイアスマップは、この種の携帯電話を推奨するよう促すかもしれませんが、個人の視点に立ち返ると、その人が写真愛好家であり、写真製品に特別な注意を払っている場合、このようなパラドックスが生じることがあります。下に示された。グループ寄与マップによって引き起こされる帰納的バイアスは、特定のグループ、特に末尾グループに対して強すぎますか? これは、私たちがよくマシュー効果と呼ぶものです。

GNNs技術のレコメンドシステムへの応用とその実用化

一般に、既存の二極化されたコンピューティング形式は、GNN 推奨システムのモデリングを再構築する可能性があります。従来のレコメンデーション システムは、候補プールから製品またはアイテムを呼び出し、GNN モデリングを通じてそれらの間の関係を認識し、ユーザーをランク付けして推奨します。ただし、エッジ コンピューティングのサポートにより、パーソナライゼーション モデルをエンド側に展開し、サブグラフで学習することでよりきめの細かいパーソナライゼーションを認識できます。もちろん、デバイスとクラウドのコラボレーションのためのこの新しい推奨システム アーキテクチャには、デバイスのコンピューティング能力と消費電力が実現可能であるという前提があります。しかし、実際には小型モデルの計算能力のオーバーヘッドは大きくなく、1~2メガバイトに圧縮して既存のスマートフォンに計算能力のオーバーヘッドを乗せれば、実際にはゲームアプリより多くの計算能力を消費することはありません。そして大きな電気エネルギー。したがって、エッジ コンピューティングのさらなる発展とエンド デバイスのパフォーマンスの向上により、エンド側でより多くの GNN モデリングが可能になる可能性が高まります。 GNN モデルを端末に配置したい場合は、端末の計算能力とストレージ容量を考慮する必要があります。先ほどモデル圧縮についても触れましたが、デバイス側で GNNs モデルをより効果的にしたい場合、比較的大きな GNNs モデルを配置する場合は、モデル圧縮を実行する必要があります。モデルの圧縮、枝刈り、量子化といった従来の方法は既存の GNN モデルで使用できますが、推奨システムのパフォーマンスの低下を引き起こします。このシナリオでは、デバイス側モデルを構築するためにパフォーマンスを犠牲にすることはできないため、プルーニングと量子化は便利ですが、その効果は限られています。

GNNs技術のレコメンドシステムへの応用とその実用化もう 1 つの便利なモデル圧縮方法は蒸留です。数分の1しか削減できないかもしれませんが、コストは同様です。 KDD で発表された最近の研究は、GNN の蒸留に関するものです。 GNN では、グラフィカル データ モデリングの蒸留は、距離測定がロジット空間では簡単に定義できるが、潜在特徴空間では、特に教師 GNN と生徒 GNN の間のレイヤーごとの距離測定が簡単に定義できるという課題に直面しています。この点に関して、KDD に関するこの研究は、敵対的生成を通じてメトリクスを学習することで学習可能な設計を実現するソリューションを提供します。

#GNN のレコメンデーション システムでは、前述のモデル圧縮技術に加えて、分割デプロイは具体的で非常に便利な手法です。これは、GNN レコメンデーション システムのモデル アーキテクチャと密接に関連しています。これは、GNN の最下層が製品の項目埋め込みであり、MLP 非線形変換のいくつかの層の後、GNN の集約戦略が使用されるためです

モデルがトレーニングされると、当然の利点が得られます。基本層はすべて共有されており、カスタマイズできるのは GNN 層のみです。ここでパーソナライズする場合、モデルを2つの部分に分割し、モデルの公開部分をクラウドに置き、計算能力が十分であるため、パーソナライズ部分を端末上にデプロイできます。このようにして、中間カーネルの GNN を端末に保存するだけで済みます。実際のレコメンデーション システムでは、このアプローチによりモデル全体のストレージ オーバーヘッドを大幅に節約できます。アリババのシナリオで実践しましたが、分割デプロイ後のモデルはKBレベルに達する場合もありますが、さらに単純なビット量子化モデルを介してモデルを非常に小さくすることができ、端末に配置した際に特に大きなオーバーヘッドはほとんどありません。もちろん、これは経験に基づいた分割方法です。 KDD で公開されたファーウェイの最近の成果の 1 つは、端末機器のパフォーマンスを感知してこのモデルを自動的に分割できる自動モデル分割です。もちろん、GNN に適用する場合は、いくつかの再構成が必要になる可能性があります。

いくつかの深刻な配布転送シナリオにモデルをデプロイする場合、事前トレーニング済みモデルデバイスに展開される前は比較的古いものです。これは、実際のグラフ データがトレーニングのためにクラウドに戻る頻度が比較的遅く、場合によっては 1 週間かかる場合があるためです。

ここでの主なボトルネックは、GNNs技術のレコメンドシステムへの応用とその実用化リソースの制約です。

、研究では必ずしもこのボトルネックに遭遇するわけではありませんが、実際には、古いエンドサイド モデルの問題に遭遇するでしょう。ドメインが変更され、データが変更されると、モデルは適用できなくなり、パフォーマンスが低下します。現時点では、GNN モデルのオンライン パーソナライゼーションが必要ですが、エンドでのパーソナライゼーションは、エンドサイドのコンピューティング能力とストレージのオーバーヘッドという課題に直面します。

もう 1 つの課題はデータの疎性です。最終データには個々のノードしかないため、データの疎性も大きな課題です。最近の研究では、比較的効率的なアプローチである Parameter-Efficient Transfer を採用しており、層間にいくつかのモデル パッチを適用することで、残差ネットワークと比較することができますが、学習時にパッチを学習するだけで十分です。フラグ機構により使用中はオン、未使用時はオフが可能で、オフ時は元のベーシックモデルに縮退することができ、安全かつ効率的です。

GNNs技術のレコメンドシステムへの応用とその実用化

これは、KDD2021 で公開された、より実用的で効率的なアプローチであり、GNN モデルのオンライン パーソナライゼーションを実現できます。最も重要なことは、このような実践から、このローカル モデルのサブグラフ情報をセンシングすることによって、全体のパフォーマンスが確かに着実に向上することができることを発見したことです。また、マシュー効果も軽減されます。

レコメンデーション システムでは、テール ユーザーは依然としてグラフ データに対するマシュー効果の問題に直面しています。ただし、分割統治モデリング アプローチを採用し、サブグラフをパーソナライズすれば、行動がまばらなユーザーのレコメンデーション エクスペリエンスを向上させることができます。特にテールクラウドの場合、パフォーマンスの向上はより顕著になります

GNNs技術のレコメンドシステムへの応用とその実用化

#3. ターミナルとクラウドの協調的な GNN レコメンデーション システムの実装

GNN 推奨システムには、クラウド側サービス用の GNN モデルとクライアント側用の小規模な GNN モデルがあります。 GNN のレコメンデーション システム サービスには 3 つの実装形式があります。1 つ目はセッション レコメンデーションであり、コストを節約するためのレコメンデーション システムで一般的なバッチ セッション レコメンデーションです。つまり、バッチ レコメンデーションが一度に作成され、ユーザーは事前に多くの製品を閲覧する必要があります。推奨が再びトリガーされます。 2 つ目は、極端な場合に一度に 1 つだけを推奨することです。 3 番目のタイプは、前述したエンドツーエンドのパーソナライズされたモデルです。これら 3 つのレコメンド システム方式にはそれぞれ利点があり、ユーザーの興味の変化が緩やかな場合にはクラウド側で正確に認識できればよいため、クラウド側モデルでセッション レコメンドを行うだけで十分です。ユーザーの興味がますます多様に変化する場合、エンドサイドのサブグラフのパーソナライズされた推奨により、推奨パフォーマンスを相対的に向上させることができます。

ユーザーの行動が突然非常にまばらになった状況では、推奨事項はより常識的な推論に依存します。これら 3 つの推奨動作を調整するために、GNN の推奨システムを調整するメタ コーディネーター - メタ コントローラーを確立できます。

GNNs技術のレコメンドシステムへの応用とその実用化

3 方向のレコメンデーションを構築します。共存エンドクラウド 協調レコメンデーション システムの課題の 1 つは、データ セットの構築です。これは、これらのモデルを管理する方法や意思決定の方法がわからないためです。このようなデータセットはありませんが、単一チャネルのデータセットはあり、その因果関係を評価するための評価を通じていくつかの代理モデルを構築します。因果関係が比較的大きい場合、そのような決定を下すことによる利益は比較的大きくなり、疑似ラベル、つまり反事実のデータセットが構築される可能性があります。

GNNs技術のレコメンドシステムへの応用とその実用化

1 つのチャネルには 3 つのモデル D0、D1、および D2 があります。メタコーディネーターをトレーニングするために、意思決定ラベルを構築し、反事実データセットを構築します。最後に、このメタ コーディネーターが各シングル チャネル モデルと比較して安定したパフォーマンス向上を示していることを証明できます。ランダムなヒューリスティックに比べて、大きな利点があります。このようにして、デバイスとクラウドの連携のための推奨システムを構築できます。

4. エンドサイド GNN 推奨システムのセキュリティ問題

最後に、エンドサイド GNN 推奨システムのセキュリティ問題について説明します。デバイスとクラウドの協調 GNN レコメンデーション システムが公開されると、オープン環境では必然的に問題に直面することになります。学習用にモデルをパーソナライズする必要があるため、エスケープ攻撃、ポイズニング攻撃、バックドア攻撃などの攻撃のリスクがあり、最終的にレコメンデーション システムが大きなセキュリティ リスクに直面する可能性があります。

GNNs技術のレコメンドシステムへの応用とその実用化基盤となるコンピューティング能力が、現在のクラウド連携 GNN レコメンデーション システムの方向性を推進しますが、まだ開発の初期段階にあり、潜在的な問題がいくつかあります。同時に、パーソナライズされたモデルの構築においても、モデリングの分野にはまだ多くの改善の余地があります。

五、問答環節

Q1:在端上做圖模型,子圖的下發流量會不會太大?

A1:子圖不是下發的,它其實是匯聚式的。第一點,子圖下發是伴隨式的。例如我們要做推薦商品的時候,它天然會攜帶商品的屬性資訊。這裡伴隨式的下發是跟屬性同等級的開銷,其實開銷不是很大。因為它不是把整個大圖都下發下來,只是一些鄰居子圖,至多二階的鄰居子圖還是非常小的。第二點,端上一部分子圖還是依賴於用戶行為的回饋做一些 co-occurrence 共點擊自動構建的,所以它是一個雙端匯聚的形式,總體開銷不是特別大。

以上がGNNs技術のレコメンドシステムへの応用とその実用化の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

声明
この記事は51CTO.COMで複製されています。侵害がある場合は、admin@php.cn までご連絡ください。
如何使用Go语言和Redis实现推荐系统如何使用Go语言和Redis实现推荐系统Oct 27, 2023 pm 12:54 PM

如何使用Go语言和Redis实现推荐系统推荐系统是现代互联网平台中重要的一环,它帮助用户发现和获取感兴趣的信息。而Go语言和Redis是两个非常流行的工具,它们在实现推荐系统的过程中能够发挥重要作用。本文将介绍如何使用Go语言和Redis来实现一个简单的推荐系统,并提供具体的代码示例。Redis是一个开源的内存数据库,它提供了键值对的存储接口,并支持多种数据

利用Java实现的推荐系统算法和应用利用Java实现的推荐系统算法和应用Jun 19, 2023 am 09:06 AM

随着互联网技术的不断发展和普及,推荐系统作为一种重要的信息过滤技术,越来越受到广泛的应用和关注。在实现推荐系统算法方面,Java作为一种快速、可靠的编程语言,已被广泛应用。本文将介绍利用Java实现的推荐系统算法和应用,并着重介绍三种常见的推荐系统算法:基于用户的协同过滤算法、基于物品的协同过滤算法和基于内容的推荐算法。基于用户的协同过滤算法基于用户的协同过

应用实例:使用go-micro 构建微服务推荐系统应用实例:使用go-micro 构建微服务推荐系统Jun 18, 2023 pm 12:43 PM

随着互联网应用的普及,微服务架构已成为目前比较流行的一种架构方式。其中,微服务架构的关键就是将应用拆分为不同的服务,通过RPC方式进行通信,实现松散耦合的服务架构。在本文中,我们将结合实际案例,介绍如何使用go-micro构建一款微服务推荐系统。一、什么是微服务推荐系统微服务推荐系统是一种基于微服务架构的推荐系统,它将推荐系统中的不同模块(如特征工程、分类

精准推荐的秘术:阿里解耦域适应无偏召回模型详解精准推荐的秘术:阿里解耦域适应无偏召回模型详解Jun 05, 2023 am 08:55 AM

一、场景介绍首先来介绍一下本文涉及的场景——“有好货”场景。它的位置是在淘宝首页的四宫格,分为一跳精选页和二跳承接页。承接页主要有两种形式,一种是图文的承接页,另一种是短视频的承接页。这个场景的目标主要是为用户提供满意的好货,带动GMV的增长,从而进一步撬动达人的供给。二、流行度偏差是什么,为什么接下来进入本文的重点,流行度偏差。流行度偏差是什么?为什么会产生流行度偏差?1、流行度偏差是什么流行度偏差有很多别名,比如马太效应、信息茧房,直观来讲它是高爆品的狂欢,越热门的商品,越容易曝光。这会导致

Go语言如何实现云上搜索和推荐系统?Go语言如何实现云上搜索和推荐系统?May 16, 2023 pm 11:21 PM

随着云计算技术的不断发展和普及,云上搜索和推荐系统也越来越得到了人们的青睐。而针对这一需求,Go语言也提供了很好的解决方案。在Go语言中,我们可以利用其高速的并发处理能力和丰富的标准库实现一个高效的云上搜索和推荐系统。下面将介绍Go语言如何实现这样的系统。一、云上搜索首先,我们需要对搜索的姿势和原理进行了解。搜索姿势指的是搜索引擎根据用户输入的关键字匹配页面

关于网易云音乐冷启动技术的推荐系统关于网易云音乐冷启动技术的推荐系统Nov 14, 2023 am 08:14 AM

一、问题背景:冷启动建模的必要性和重要性作为一个内容平台,云音乐每天都会有大量的新内容上线。虽然相较于短视频等其他平台,云音乐平台的新内容数量相对较少,但实际数量可能远远超出大家的想象。同时,音乐内容与短视频、新闻、商品推荐又有着显著的不同。音乐的生命周期跨度极长,通常会以年为单位。有些歌曲可能在沉寂几个月、几年之后爆发,经典歌曲甚至可能经过十几年仍然有着极强的生命力。因此,对于音乐平台的推荐系统来说,发掘冷门、长尾的优质内容,并把它们推荐给合适的用户,相比其他类目的推荐显得更加重要冷门、长尾的

PHP中的推荐系统和协同过滤技术PHP中的推荐系统和协同过滤技术May 11, 2023 pm 12:21 PM

随着互联网的迅速发展,推荐系统变得越来越重要。推荐系统是一种用于预测用户感兴趣的物品的算法。在互联网应用程序中,推荐系统可以提供个性化建议和推荐,从而提高用户满意度和转化率。PHP是一种被广泛应用于Web开发的编程语言。本文将探讨PHP中的推荐系统和协同过滤技术。推荐系统的原理推荐系统依赖于机器学习算法和数据分析,它通过对用户历史行为进行分析,预测

泊松矩阵分解:无需数据解决推荐系统冷启动问题的矩阵分解算法泊松矩阵分解:无需数据解决推荐系统冷启动问题的矩阵分解算法Apr 14, 2023 am 10:31 AM

作者 | 汪昊审校 | 孙淑娟推荐系统是目前互联网行业最火爆的技术之一。在过去的十年中,互联网行业诞生了数以百万计的推荐系统模型迭代版本。尽管针对不同场景进行优化的推荐系统模型非常之多,但是经典的模型非常少。矩阵分解是推荐系统领域勃兴早期,在 Netflix 大赛中展露头角的推荐系统算法,也是过去十年中最为成功的推荐系统算法。尽管到 2023 年的今天,推荐系统领域早已是深度学习的天下,矩阵分解仍然广泛应用于各大公司研发过程中,并且仍然有许多科研人员在从事相关算法的研究工作。矩阵分解算法最为经典

See all articles

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

ZendStudio 13.5.1 Mac

ZendStudio 13.5.1 Mac

強力な PHP 統合開発環境

SublimeText3 Linux 新バージョン

SublimeText3 Linux 新バージョン

SublimeText3 Linux 最新バージョン

MantisBT

MantisBT

Mantis は、製品の欠陥追跡を支援するために設計された、導入が簡単な Web ベースの欠陥追跡ツールです。 PHP、MySQL、Web サーバーが必要です。デモおよびホスティング サービスをチェックしてください。

AtomエディタMac版ダウンロード

AtomエディタMac版ダウンロード

最も人気のあるオープンソースエディター

mPDF

mPDF

mPDF は、UTF-8 でエンコードされた HTML から PDF ファイルを生成できる PHP ライブラリです。オリジナルの作者である Ian Back は、Web サイトから「オンザフライ」で PDF ファイルを出力し、さまざまな言語を処理するために mPDF を作成しました。 HTML2FPDF などのオリジナルのスクリプトよりも遅く、Unicode フォントを使用すると生成されるファイルが大きくなりますが、CSS スタイルなどをサポートし、多くの機能強化が施されています。 RTL (アラビア語とヘブライ語) や CJK (中国語、日本語、韓国語) を含むほぼすべての言語をサポートします。ネストされたブロックレベル要素 (P、DIV など) をサポートします。