Meituan: как предварительный ранжировщик учится у дорогой модели и укладывается в задержку
Предварительная модель должна оценивать намного больше кандидатов, чем финальная, но обучается на смещённой выборке показов и не всегда сохраняет объекты, важные следующей стадии.
Передавать ранней модели порядок, численные оценки и представления дорогого ранжировщика, затем совместно выбирать признаки и структуру сети с учётом качества и ожидаемой задержки.
Последовательные опыты дают разные прибавки Recall@150 в процентных пунктах и небольшие изменения CTR. Финальный NAS-опыт: +11 п.п. Recall@150 и +0,12% CTR без роста онлайн-задержки; общая сумма эффектов не вычисляется.
Читайте как противовес идее обязательной замены всего каскада: ранние и поздние стадии можно согласовать, сохраняя их разные вычислительные бюджеты.
晓江, 所贵, 李想 и соавторы · Meituan, Search Recommendation Algorithms
Статья · Опубликовано: 11 августа 2022 г. · ZH