Mutable Low-Rank Sketches for Retrain-Free Recommendation
可变低秩草图：免重训的实时推荐
🧭 实时推荐 · 嵌入鲜活性
University of Michigan · Criteo
用KP-tree存储用户偏好，固定低秩投影，新评分到达时动态更新嵌入，无需重训
📌 工作参考价值（4 点）
- 将用户特征更新与模型重训解耦：固定低秩投影，只在线更新KP-tree中的用户偏好向量，实现实时推荐，避免频繁重训大模型
- KP-tree支持对数时间点更新和内部求和传播，适合电商场景中用户行为实时流入时的低延迟嵌入计算（<1ms）
- 稀疏数据场景下采用范数比例采样替代均匀采样，可显著提升物品覆盖率（40–130%），改善冷启动和新颖度
- 整体框架简单：一次离线学习低秩基矩阵，在线部分只需维护带有聚合统计的树结构，工程实现复杂度低，便于集成到现有特征平台