Facebook开源深度学习推荐模型DLRM

Facebook今天宣布推出深度学习推荐模型（DLRM）的开源版本，这是一种可用于生产环境的，最先进的个性化推荐AI模型。DLRM的源代码已经发布到 GitHub上 ，该模型已经用于Facebook的PyTorch， Facebook的分布式学习框架Caffe2 和Glow C ++。

人们每天看到什么样的内容，实际上很大一部分取决于推荐引擎的算法，无论是Facebook等社交媒体网站，亚马逊等电子商务网站的内容，数字广告系统，还是您在Xbox游戏主机上看到的热门游戏都是如此。就在上个月，亚马逊将其AI部署到了AWS上的购物推荐系统Personalize 。

5月底， 20多位Facebook AI研究人员在arXiv上发表的论文 （获取论文地址请关注IT经理网微信号ctociocom，后台回复：DLRM） 解释了DLRM模型如何使用映射分类数据的嵌入表进行表达，由预测函数多层感知器（MLP）执行大部分计算。

Facebook技术战略总监Vijay Rao在今年早些时候 的开放计算项目会议上 详细阐述了拥有大量嵌入表的神经网络的使用方法。

Facebook人工智能研究（FAIR）迄今已开源了大量工作成果，而Facebook免费提供DLRM，能够帮助更广泛的AI社区应对推荐引擎面临的挑战，例如用神经网络将分类数据与某些更高级别属性进行关联。

“虽然推荐和个性化系统是当今最成功的深度学习行业应用，但相关深度学习模型在学术界仍然很少受到关注，”该论文写道。“通过提供最先进的推荐系统及其开源实现的详细描述，我们希望通过免费开放，能够引起业界对这类神经网络面临的独特挑战的关注，方便它们进一步进行算法实验、建模，系统协同设计和基准测试。”

DLRM的制造商建议该模型用于对推荐引擎的速度和准确性性能进行基准测试。用于实验和性能评估的DLRM基准测试是用 Python 编写的，支持随机和合成输入。

Facebook研究科学家Dheevatsa Mudigere和Maxim Naumov 今天在一篇 博客文章中 表示，优化的DLRM系统的性能结果将在未来公开分享。

最近几周由Facebook开源的其他AI模型或框架还包括： PyRobot ，一个与PyTorch一起工作的机器人框架，以及 PyTorch Hub ，一个工作流程和API，旨在提高AI模型的再现性：Ax和BoTorch，用于机器学习实验和贝叶斯模型优化的工具，于5月与PyTorch 1.1一起推出。

Facebook的推荐 工具 在过去在业界一直存在争议。 Keras深度学习库 的创建者FrançoisChollet去年在一篇 冗长的Medium博文 中宣称，有良知的AI研究人员不应该在Facebook工作。FrançoisChollet警告说，Facebook的问题不仅仅是隐私泄露或缺乏信任，而是由人工智能提供支持的Facebook很快就会成为“极权主义的全景监视器”。