Session 9 Large-Scale Recommendation
Optimizing product recommendations for millions of merchants
- Shopify の Industrial Session
- A/A tests をする 。A/B テストではなく
- テストの仕方
- 別のモデルのリストを同じ画面に表示する
- Differnet models perform better for different shopping
- よい推薦モデルがショップによって異なるため、それぞれにベストなものを提供する
- いくつかのモデルを使い分けている
- Collaborative Filtering , Contents based Filtering
- Long-tail の場合
- コンテンツベース、はひとつの解
A GPU-specialized Inference Parameter Server for Large-Scale Deep Recommendation Models
- DeepLab (Taboola engineering) : 広告とか
- Challenge
- Contents changing / User intent changing / model must change
- ETL / Data validation / Train / Model validation / Deployment
- Solution → transfer learning
- システム構成：airflow spark tensorflow k8s
- metrics
- offline : いっぱい AUC とか
- online : 現実のやつ
Hirechal prameter NVIDIA
- NVIDIA の Industrial Session
- Transformer などの学習や推論に最適化したサーバをつくったよ（という話だとおもう）
- メモリの持ち方？
- 前提知識が足りないものはわからない量が多いが、たのしい
Evaluation Framework for Cold-Start Techniques in Large-Scale Production Settings
- Outbrain : オンライン recommendation : news とか
- cold start evalution framework
- ニュースはほぼほぼコールドスタートなので
- continious flow of cold-start items
- fast cold-start research
- 新しく投入されたニュースをどのシーンで推薦したらよいか、早く学習する
- Framework
- offline simulation
- how to choose?
- AB テストできない / skew だから
- 全リクエストをわける
- このへんはもうちょっとみたい
- exploration にはいろいろなテクニックをつかってる
Timely Personalization at Peloton: A System and Algorithm for Boosting Time-Relevant Content
- PELOTON
- Fitness content platform
- personalizing content discovery experience
- タイムセール、顧客体験を減らせずにどれくらい露出を増やすか
- 二つの方法
- 「この時間は スコア X 倍にする」
- アルゴリズムで
- ビヨンセ
EANA: Reducing Privacy Risk on Large-scale Recommendation Models
