Efficient Swing Computation for Retrieval in Large-Scale Recommender Systems
大规模推荐系统中面向召回的 Swing 高效计算
🧭 图算法加速 · Swing 相似度 ★ 深度解读
Hong Kong Baptist University
提出 ASC 与 K-ASC，用概率误差界替代截断启发式，将 Swing 检索提速数个数量级
📌 工作参考价值（4 点）
- 用 K-ASC 的过滤-精炼模式替代工业界截断（如只取 600 邻居）：先用少量采样生成 top-(K+κ) 候选和置信界，只对边界 item 精炼，避免均匀分配采样预算，可显著加速 i2i 召回而不损失精度。
- 对高热度物品采用采样估计（GNS），低热度物品用枚举（USS），在线系统可按物品度数动态切换算法，降低尾部延迟，适合实时召回/粗排场景。
- QFilter++ 利用 SIMD + popcount 仅计算交集基数而不材料化交集，可复用于 itemCF、Swing 等任何基于用户共现的相似度计算，提升单机吞吐。
- 在十亿边图上，K-ASC 可实现毫秒级 top-K Swing 检索，适合作为召回阶段的实时信号，避免大规模 MapReduce 离线任务，对电商/广告的 item 相似度计算有直接工程价值。