【KDD2023】协同过滤的高效联合超参数和架构搜索

近期，自动化机器学习（AutoML）技术被引入，用以根据数据特定方式设计协同过滤（CF）模型。然而，现有的工作或是搜索架构，或是搜索超参数，而忽略了它们之间的内在关系，应该一同考虑。这激发了我们考虑一种结合超参数和架构搜索的方法来设计CF模型。但由于搜索空间巨大和评估成本高昂，这并不容易。为解决这些挑战，我们通过对单个超参数的全面了解，筛选出有用的超参数选择来减少搜索空间。接下来，我们提出了一个两阶段搜索算法，从减少的空间中找到合适的配置。在第一阶段，我们利用从子样本数据集中获取的知识来减少评估成本；在第二阶段，我们高效地在整个数据集上对顶级候选模型进行微调。在真实世界数据集上的大量实验表明，与手工设计的和以前搜索的模型相比，我们的模型可以达到更好的性能。此外，消融和案例研究都证明了我们搜索框架的有效性。