[論文レビュー] RecBole: Towards a Unified, Comprehensive and Efficient Framework for Recommendation Algorithms

Wayne Xin Zhao, Shanlei Mu+17 more|arXiv (Cornell University)|Nov 3, 2020

Recommender Systems and Techniques参考文献 95被引用数 39

ひとこと要約

RecBoleは再現性と効率性を向上させるために、標準化されたデータ・モデル・評価モジュールを備えた、73モデルを実装する28データセットに跨る統一的なPyTorchベースのレコメンダライブラリを提供します。

ABSTRACT

In recent years, there are a large number of recommendation algorithms proposed in the literature, from traditional collaborative filtering to deep learning algorithms. However, the concerns about how to standardize open source implementation of recommendation algorithms continually increase in the research community. In the light of this challenge, we propose a unified, comprehensive and efficient recommender system library called RecBole, which provides a unified framework to develop and reproduce recommendation algorithms for research purpose. In this library, we implement 73 recommendation models on 28 benchmark datasets, covering the categories of general recommendation, sequential recommendation, context-aware recommendation and knowledge-based recommendation. We implement the RecBole library based on PyTorch, which is one of the most popular deep learning frameworks. Our library is featured in many aspects, including general and extensible data structures, comprehensive benchmark models and datasets, efficient GPU-accelerated execution, and extensive and standard evaluation protocols. We provide a series of auxiliary functions, tools, and scripts to facilitate the use of this library, such as automatic parameter tuning and break-point resume. Such a framework is useful to standardize the implementation and evaluation of recommender systems. The project and documents are released at https://recbole.io/.

研究の動機と目的

• 多様なタスクに跨るレコメンデーションアルゴリズムの標準化済みで再現性のある実装の必要性を動機づける。
• データ・モデル・評価を統合し、公正な比較と迅速な開発を促進する統一フレームワークを提供する。
• レコメンダーシステムの再現性のある研究とベンチマークを支援するため、豊富なデータセット・モデル・ツールを提供する。

提案手法

• データ・モデル・評価の三つのコアモジュールを持つ、統一されたPyTorchベースのライブラリを実装し、すべてを中央フレームワーク経由で設定可能にする。
• 生データ入力から内部表現（Interaction）へ、さらにモデル入力へと一般的なデータフローを導入し、主流タスクをカバーする六つの原子ファイルタイプを使用する。
• 一般・逐次・文脈認識・知識ベースのレコメンデーションカテゴリ全体で73モデルを実装し、訓練・評価の統一インタフェース（calculate_lossとpredict）を提供する。
• GPU加速実行と、フルランキング/サンプルランキングを均一な行列形に変換してGPU上で効率的にtop-kを実行する加速戦略を、トップK評価に組み込む。
• Group・Split・Order・NegSampleインタフェースを通じて、フルランキング・サンプルランキングを含む広範な評価プロトコルと複数のデータ分割・ソーティングオプションをサポートする。

実験結果

リサーチクエスチョン

• RQ1 統一されたフレームワークは、多様なレコメンデーションアルゴリズムの開発と評価をどのように標準化できるか。
• RQ2 一般・逐次・文脈認識・知識ベース推奨タスクを横断する再現性のある研究を最もよく支えるデータ・モデル・評価の抽象化は何か。
• RQ3 GPU加速実行と評価加速がトップK推奨の効率性に与える影響は何か。
• RQ4 包括的なデータセットとモデルの統合は、公正で比較可能なベンチマーキングをどの程度可能にするか。
• RQ5 自動パラメータチューニング、ブレークポイント再開など、どのようなツールがレコメンダ研究の使いやすさと再現性を高めるか。

主な発見

• RecBoleは、開発と評価を標準化するため、複数のレコメンダーションカテゴリにまたがる28データセットの73モデルを実装している。
• このライブラリは統一データ構造（原子ファイルとInteraction）と新しいモデル追加を容易にする設定可能なワークフローを提供する。
• GPU加速実行と専用のトップK加速戦略は、MovieLens-10Mのような大規模データを含むデータセット全体で評価効率を大幅に向上させる。
• 自動パラメータチューニングとブレークポイント再開が再現性と実験効率を高めるためにサポートされている。
• このフレームワークは、フルランキングとサンプルランキングを含む多様な評価プロトコルを、柔軟なデータ分割とアイテム順序オプションとともにサポートする。