One Backpropagation in Two Tower Recommendation Models

最近几年，人们进行了大量研究，开发了两个塔式推荐模型，以缓解信息过载。这些模型可以分为四个构建模块，即用户-物品编码、负采样、损失计算和反向传播更新。据我们所知，现有算法只研究了前三个模块，而忽略了反向传播模块。它们都采用了一种基于隐含假设的两个反向传播策略，即在训练阶段平等对待用户和物品。在本文中，我们挑战了这种平等训练假设，并提出了一种新颖的一次反向传播更新策略，该策略保持了物品编码塔的正常梯度反向传播，但切断了用户编码塔的反向传播。相反，我们提出了一种移动聚合更新策略，以在每个训练时期更新用户编码。除了所提出的反向传播更新模块外，我们使用最直接的选择实现了其他三个模块。在四个公共数据集上的实验证明了我们的模型在提高推荐性能和减少计算负荷方面的有效性和效率，超过了现有竞争对手的水平。

论文试图提出一种新的backpropagation更新策略，以提高推荐性能和减少计算负担。

论文提出了一种单向反向传播更新策略，即保持项目编码塔的正常梯度反向传播，但切断用户编码塔的反向传播，并提出了一种移动聚合更新策略来更新用户编码。

论文的实验结果表明，该模型在推荐性能和计算负担方面比现有算法更有效和高效。实验使用了四个公共数据集进行验证，并且作者提供了开源代码。

最近的相关研究主要集中在两个塔的推荐模型的开发上，但大多数算法忽略了反向传播更新模块。