Scalable Approximate NonSymmetric Autoencoder for Collaborative Filtering

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3A10469915" target="_blank" >RIV/00216208:11320/23:10469915 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21340/23:00374207

Výsledek na webu

<a href="https://doi.org/10.1145/3604915.3608827" target="_blank" >https://doi.org/10.1145/3604915.3608827</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1145/3604915.3608827" target="_blank" >10.1145/3604915.3608827</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Scalable Approximate NonSymmetric Autoencoder for Collaborative Filtering

Popis výsledku v původním jazyce

In the field of recommender systems, shallow autoencoders have recently gained significant attention. One of the most highly acclaimed shallow autoencoders is easer, favored for its competitive recommendation accuracy and simultaneous simplicity. However, the poor scalability of easer (both in time and especially in memory) severely restricts its use in production environments with vast item sets. In this paper, we propose a hyperefficient factorization technique for sparse approximate inversion of the data-Gram matrix used in easer. The resulting autoencoder, sansa, is an end-to-end sparse solution with prescribable density and almost arbitrarily low memory requirements - even for training. As such, sansa allows us to effortlessly scale the concept of easer to millions of items and beyond.

Název v anglickém jazyce

Scalable Approximate NonSymmetric Autoencoder for Collaborative Filtering

Popis výsledku anglicky

In the field of recommender systems, shallow autoencoders have recently gained significant attention. One of the most highly acclaimed shallow autoencoders is easer, favored for its competitive recommendation accuracy and simultaneous simplicity. However, the poor scalability of easer (both in time and especially in memory) severely restricts its use in production environments with vast item sets. In this paper, we propose a hyperefficient factorization technique for sparse approximate inversion of the data-Gram matrix used in easer. The resulting autoencoder, sansa, is an end-to-end sparse solution with prescribable density and almost arbitrarily low memory requirements - even for training. As such, sansa allows us to effortlessly scale the concept of easer to millions of items and beyond.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 17th ACM Conference on Recommender Systems

ISBN

979-8-4007-0241-9

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

763-770

Název nakladatele

ACM

Místo vydání

New York, NY, USA

Místo konání akce

Singapore, Singapore

Datum konání akce

18. 9. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—