首页»行业  »   正文

Facebook开源深度学习推荐模型DLRM,提供个性化结果

Facebook开源深度学习推荐模型DLRM,提供个性化结果

Facebook推出深度学习推荐模型DLRM的开源版本,是用于在生产环境中提供个性化结果的最先进的AI模型。该模型的实现支持Facebook的PyTorch,Facebook的分布式学习框架Caffe2和Glow C ++。

推荐引擎决定了人们看到的内容,无论是Facebook等社交媒体网站,亚马逊等电子商务网站的内容,甚至是在Xbox上看到的第一个选项。上个月,亚马逊将其AI用于AWS的个性化购物推荐系统。

Facebook AI研究人员的论文解释了该模型如何使用嵌入表将分类数据映射到表示,预测函数多层感知器(MLP)执行了大部分计算。

Facebook技术战略总监Vijay Rao在今年早些时候的开放计算项目会议上详细阐述了使用神经网络进行大量嵌入的方法。

Facebook的人工智能研究(FAIR)开放了很多工作的源代码,但它的母公司正在免费提供DLRM,以帮助更广泛的人工智能社区应对推荐引擎带来的挑战,比如需要神经网络将分类数据与某些更高级别的属性关联起来。

“虽然推荐和个性化系统仍然在当今的行业内推动了深度学习的实际成功,但这些网络在学术界仍然很少受到关注,”该论文写道,“通过提供最先进的推荐系统及其开源实现的详细描述,我们希望注意这类网络以一种可访问的方式呈现的独特挑战,以便进一步进行算法实验:建模,系统协同设计和基准测试。”

Facebook开源深度学习推荐模型DLRM,提供个性化结果

DLRM的制造商建议该模型用于对推荐引擎的速度和准确性性能进行基准测试。用于实验和性能评估的DLRM基准测试是用Python编写的,支持随机和合成输入。

Facebook研究科学家Dheevatsa Mudigere和Maxim Naumov在一篇博客文章中表示,优化的DLRM系统的性能结果将在之后公开分享。

最近几周由Facebook开源的其他AI模型或框架包括PyRobot,一个与PyTorch一起工作的机器人框架,以及PyTorch Hub,一个工作流程和API,旨在鼓励AI模型的再现性。Ax和BoTorch,用于机器学习实验和贝叶斯模型优化的工具,于5月与PyTorch 1.1一起推出。

Facebook的推荐工具一直存在争议,Keras深度学习图书馆创建者FrançoisChollet去年在帖子和一系列推文中宣称,有良知的AI研究人员不应该在Facebook工作,部分原因是如今Facebook推荐引擎的工作方式。

开源:

github.com/facebookresearch/dlrm

欢迎关注ATYUN官方公众号,商务合作及内容投稿请联系邮箱:bd@atyun.com

发表评论