arXiv cs.AI· Vishnu Arun, Adam Obeng, Tianyou Wang, Zilin Ren, Mukuntha Narayanan Sundararaman, Han Wang, Shivin Thukral, Zhixiang Wang, Saurabh Vishwas Joshi, Darren Reger·· 6 天前AI 评分22
FORTE：工业推荐系统中特征评估与淘汰的生产框架
FORTE: A Production Framework for Feature Evaluation and Deprecation in Industrial Recommender Systems
AI 导读
FORTE 是一个模型无关的生产框架，用于发现、验证和移除推荐系统中的特征，通过高效扰动实现每日特征评估，并用分组消融处理特征交互。在搜索相关性模型上，FORTE 生成 32、48、59 三个嵌套候选特征集，最终选定 48 个特征进行淘汰，移除该模型 43.3% 的特征。
正文 · AI 翻译
摘要：生产推荐系统存在特征生命周期不对称的问题：添加新特征必须在某个指标上产生增益，而移除特征则不得使任何指标出现回退。在实践中，特征弃用很难排定优先级，因为一个特征可能因与其他特征存在交互而无法被移除，其重要性每天都在变化，在生产模型变更或数据漂移发生之前无法对其进行评估，它会与其他上线项目争夺 A/B 测试空间，它会在在线 A/B 测试中导致回退，或者它被多个模型消费，而这些模型需要协调其弃用。我们提出了 FORTE，一个与模型无关的生产框架，用于发现、验证和移除特征。其高效的扰动实现允许每日进行特征评估。为了考虑交互作用，它通过分组消融评估由所有低秩特征构建的候选特征集，其离线结果对在线 A/B 测试具有足够的预测能力，从而可以放心地将弃用推进到在线测试。血缘追踪可识别所有下游消费模型，以实现从训练集中移除某个特征的全部节省。我们在 2 个大规模推荐系统上验证了 FORTE，发现它能识别出不会导致在线回退的可弃用特征集，而对效率的影响取决于模型特性。在一个搜索相关性模型上，FORTE 得出了 3 个嵌套的候选集，分别包含 32、48 和 59 个特征。在线护栏拒绝了最大的处理组。48 个特征的集合被选中进行弃用，移除了该模型 43.3% 的特征。在一个大型排序模型上，FORTE 识别出 8 个可移除的候选特征。重新训练和 A/B 测试确认没有回退。其上线使可训练参数减少了 29.9%，服务吞吐量提高了 19.8-25.5%，并将年度训练成本降低了数十万美元。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.13806 [cs.LG] |
| （或 arXiv:2610.13806v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13806 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Vishnu Arun [查看电子邮件]
[v1]
2026年10月9日星期五 16:18:39 UTC（102 KB）
来源：arXiv cs.AI · arxiv.org