A Comprehensive Survey on Automated Machine Learning for Recommendations

要約

Deep Recommender System (DRS) は、現在の商用オンライン サービス プロバイダーにとって重要です。現在の商用オンライン サービス プロバイダーは、ユーザーの興味や好みに合わせて調整されたアイテムを推奨することで、情報過多の問題に対処しています。
前例のない機能表現の有効性と、ユーザーとアイテム間の非線形関係をモデル化する能力があります。
その進歩にもかかわらず、DRS モデルは、他の深層学習モデルと同様に、洗練されたニューラル ネットワーク アーキテクチャや、通常は人間の専門家によって設計および調整されるその他の重要なコンポーネントを採用しています。
この記事では、DRS モデルを開発するための自動機械学習 (AutoML) の包括的な概要を説明します。
まず、DRS モデルの AutoML と関連技術の概要を説明します。
次に、DRS での機能の選択、機能の埋め込み、機能の相互作用、モデルのトレーニングを自動化する最先端の AutoML アプローチについて説明します。
既存の AutoML ベースのレコメンダー システムは、抽象的な検索空間と効率的な検索アルゴリズムを備えたマルチコンポーネント ジョイント検索に発​​展していることを指摘します。
最後に、魅力的な研究の方向性について議論し、調査をまとめます。

要約(オリジナル)

Deep recommender systems (DRS) are critical for current commercial online service providers, which address the issue of information overload by recommending items that are tailored to the user’s interests and preferences. They have unprecedented feature representations effectiveness and the capacity of modeling the non-linear relationships between users and items. Despite their advancements, DRS models, like other deep learning models, employ sophisticated neural network architectures and other vital components that are typically designed and tuned by human experts. This article will give a comprehensive summary of automated machine learning (AutoML) for developing DRS models. We first provide an overview of AutoML for DRS models and the related techniques. Then we discuss the state-of-the-art AutoML approaches that automate the feature selection, feature embeddings, feature interactions, and model training in DRS. We point out that the existing AutoML-based recommender systems are developing to a multi-component joint search with abstract search space and efficient search algorithm. Finally, we discuss appealing research directions and summarize the survey.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google