.png){kind=icon}
返回
Knowledge Distillation Based Recommendation Systems: A Comprehensive Survey
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14081538.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习驱动的深度推荐系统近年来取得了显著成功。然而，将深度推荐模型部署在资源受限的设备与系统（如移动设备和嵌入式系统）中是一项重大挑战。为克服这一挑战，知识蒸馏已被引入深度推荐算法的设计中，作为一种典型的模型压缩与加速技术，并逐渐吸引了学术界和工业界的关注。本综述的主要工作包括：（1）讨论知识蒸馏推荐系统的基本概念、必要性与运行机制问题；（2）根据知识蒸馏的观点总结并分类现有的代表性知识蒸馏推荐方法，进而深入分析与阐述其代表性知识蒸馏推荐方法；（3）介绍工业界对知识蒸馏如何应用于工业推荐系统的分析与讨论，并总结在工业推荐系统各环节应用知识蒸馏的思路；（4）提出知识蒸馏推荐系统的若干可能未来研究方向，并总结本综述的研究成果。本综述可为研究人员和从业者提供指导，并鼓励进一步推动该领域的发展。
Keyword:
recommendation systems
knowledge distillation
knowledge types
distillation schemes
teacher-student architecture
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
分享收藏Model compression模型压缩.png)
Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏FedPDD: A Privacy-preserving Double Distillation Framework for Cross-silo Federated RecommendationFedPDD：一种跨单元联邦推荐的数据隐私保护双重蒸馏框架OAAI
OAAI分享收藏Knowledge As Priors: Cross-Modal Knowledge Generalization for Datasets Without Superior Knowledge
OAAI
OAAI分享收藏
查看更多内容