[论文解读] 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 39

一句话总结

RecBole 提供一个基于 PyTorch 的统一推荐系统库，实现 73 个模型，覆盖 28 个数据集，具有标准化的数据、模型和评估模块，以提升可重复性和效率。

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/.

研究动机与目标

• 在多任务场景下推动对推荐算法的标准化、可重复实现的需求。
• 提供一个统一的框架，将数据、模型和评估整合在一起，以促进公平比较和快速开发。
• 提供丰富的数据集、模型和工具，支持推荐系统中可重复的研究与基准测试。

提出的方法

• 实现一个统一的、基于 PyTorch 的库，包含三大核心模块：数据（data）、模型（model）和评估（evaluation），均可通过一个集中框架进行配置。
• 引入从原始输入到内部表示（Interaction）再到模型输入的通用数据流，使用六种原子文件类型覆盖主流任务。
• 提供覆盖一般、序列、语境感知和知识化推荐类别的 73 个已实现模型，具备用于训练和测试的统一接口（calculate_loss 和 predict）。
• 结合 GPU 加速执行，以及通过将全量/采样排序转换为统一矩阵形式并在 GPU 上使用高效 topk，实现 top-K 评估加速策略。
• 通过 Group、Split、Order 和 NegSample 接口，支持广泛的评估协议（全排序和基于样本的排序）以及多种数据分割与排序选项。

实验结果

研究问题

• RQ1 如何通过统一框架标准化多样化推荐算法的开发与评估？
• RQ2 哪些数据、模型和评估的抽象最能支持一般、序列、情境感知和知识基的推荐任务中的可重复研究？
• RQ3 GPU 加速执行和评估加速对 top-K 推荐效率有何影响？
• RQ4 如何将全面的数据集与模型整合以实现公平、可比的基准测试？
• RQ5 哪些工具（自动参数调优、断点续传）能提升推荐系统研究的易用性与可重复性？

主要发现

• RecBole 在 28 个数据集上实现 73 个模型，覆盖多种推荐类别，以标准化开发和评估。
• 该库提供统一的数据结构（原子文件和 Interaction）以及可配置的工作流，简化新模型的添加。
• GPU 加速执行和专用的 top-K 加速策略显著提高跨数据集的评估效率，包括像 MovieLens-10M 这样的大型数据集。
• 支持自动参数调优和断点续传，以提升可重复性和实验效率。
• 该框架支持多种评估协议，包括全排序和采样排序，具备灵活的数据分割和物品排序选项。