English(EN) URecJPQ: Memory-efficient Multimodal Recommendation Models through RecJPQ in Large-Scale Scenarios

新的 URecJPQ 方法大幅降低了大型推荐模型的内存使用量

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-22 13:05

研究人员开发了 URecJPQ，这是一种用于创建内存高效的多模态推荐模型的新方法，专为大规模应用而设计。该技术通过将用户和物品表示为共享子嵌入的连接，而不是唯一的、完全学习的嵌入，从而减小了内存占用。在电影、婴儿用品和体育用品数据集上的实验表明，检查点大小和可训练参数显著减少，而对准确性的影响很小，在某些情况下甚至性能有所提高。 AI

影响该方法可以实现推荐系统（尤其是那些包含多模态特征的系统）在资源受限环境下的更高效训练和部署。

排序理由这是一篇详细介绍推荐模型新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Iadh Ounis · 2026-06-22 13:05

URecJPQ: Memory-efficient Multimodal Recommendation Models through RecJPQ in Large-Scale Scenarios

Training state-of-the-art recommendation models on large-scale industrial datasets can be a challenging task due to the high number of users and items which are typically represented through ID embeddings. Such embeddings typically require a large amount of memory resources, whic…

报道来源 [1]

URecJPQ: Memory-efficient Multimodal Recommendation Models through RecJPQ in Large-Scale Scenarios

相关实体

相关话题