PulseAugur
中
实时 03:04:52
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] ·

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 →

新的 URecJPQ 方法大幅降低了大型推荐模型的内存使用量

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
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]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, infra
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
108 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Iadh Ounis ·

    URecJPQ：通过RecJPQ在大规模场景中实现内存高效的多模态推荐模型

    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…

相关实体

相关话题