DLRM是什么？

DLRM 是一种基于 DL 的模型，适用于推荐，由 Facebook 研究院提出。它旨在同时使用推荐系统训练数据中通常呈现的分类输入和数值输入。要处理分类数据，嵌入层将每个类别映射到密集表征，然后再将其输入到多层感知器 (MLP)。数值特征可直接输入到 MLP。

在下一级别中，通过在所有嵌入向量对和已处理的密集特征之间取点积，显式计算不同特征的二次交互。并将这些成对交互输入到顶层 MLP 中，以计算用户和物品对之间的交互概率。

与其他基于 DL 的推荐方法相比，DLRM 有两种差异。首先，它可以对特征交互进行显式计算，同时将交互顺序限制为成对交互。其次，DLRM 将每个嵌入式特征向量（对应分类特征）视为一个单元，而其他方法（如 Deep 和 Cross）则将特征向量中的每个元素视为应生成不同交叉项目的新单元。这些设计选项，有助于降低计算/内存成本，同时保持竞争的准确性。