PulseAugur
中
实时 15:47:48
English(EN) SmartGR: Hierarchy and Beam-Aware Knowledge Distillation for Generative Recommendation

新的SmartGR框架提升生成式推荐模型效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了SmartGR，一个旨在提高生成式推荐（GR）模型效率和性能的新知识蒸馏框架。该框架解决了GR中的两个关键挑战：跨语义ID（SID）层次结构蒸馏知识的难度不同，以及束搜索过程中前缀修剪不正确的问题。SmartGR结合了层次感知SID蒸馏和束感知排序蒸馏，有效地将知识从大型模型转移到小型模型。实验表明，SmartGR在四个基准数据集上将性能提高了8.6%，并将平均推理速度提高了2.39倍。 AI

影响 提高了生成式推荐模型的效率和性能，可能带来更快、更准确的个性化推荐。

排序理由 详细介绍改进推荐系统新方法的论文。[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SmartGR框架提升生成式推荐模型效率

报道来源 [1]

  1. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Jiawei Chen ·

    SmartGR：生成式推荐的层级与Beam感知知识蒸馏

    Generative recommendation (GR) has emerged as a promising paradigm for recommender systems. Scaling up GR models can improve recommendation performance, but it also substantially increases inference cost. Knowledge distillation provides a practical solution by transferring knowle…

相关实体

相关话题