两种面向推荐系统的数据压缩方法.pdfVIP

CN 43-1258jTP 第 38 卷第 11 期 2016 年 11 月 计算机工程与科学 ISSN 1007-130X Computer Engíneeríng . Scíence Vol. 38 ,No. 1l,Nov. 2016 文章编号: 1007-130X(2016) 11-2183-08 两种面向推荐系统的数据压缩方法精 刘博1 ，刘晓光1 ，王刚1 ，吴迪2 (1.南开大学计算机与控制工程学院，天津 300350;2. 北京字节跳动科技有限公司，北京 100085) 摘 要:今日头条的服务器每天都会产生规模庞大的训练数据，为方便进行训练，这些数据都具有特 定的格式和分布特征。使用不同类型的通用压缩算法(字典类型及非字典类型)进行测试，发现单独任何 一种算法都无法在满足业务需求(速率需求和 CPU 占比等)的同时获得较为可观的压缩比。针对今日头 条的训练数据，提出了分段聚类压缩和 Hash recoding 压缩两种策略。实验结果表明，分段聚类压缩方式 在更好地保证了压缩率的同时提高了压缩速率的目的;Hash recoding 压缩方式则是好地达到了以少量压 缩速率的损失换取更可观的压缩率的目的。分段聚类方式搭配 Gzip 压缩算法的组合能使压缩速率提高 300% 以上; Hash recoding 方式匹配 Snappy 压缩算法能使压缩率缩小 50% 以上。根据实际需求，不论选 择哪种策略，对于降低今日头条的运营成本，提升业务处理的效率，提供更好的用户体验，都有一定意义。 关键词:分段聚类压缩;哈希值编码压缩;字典压缩;inl 练数据;Gzip; Snappy 中图分类号:TP391 文献标志码:A doi:10. 3969/j. issn. 1007-130X. 2016.1 1. 004 Two data compression methods for recommender systems LIU BOl , LIU Xiao-guang 1 , W ANG Gang1 , WU Di2 O. College of Computer and Control Engíneer ,Nankaí Universíty ,Tíanjin 300350; 2. Bytedance Inc. .Beíjíng 100085 ,China) Abstract: There is an enormous number of training data being generated in Headlines Todaýs sever. These data is formatted for Machine Learning. We observed that whichever common data compression method cannot perfectly satisfy business requirements: a better compression ratio. We present two methods for training data from Headlines Today s sever. One is called hierarchical cluster compression (HCC) , and the other is hash recoding compression (HRC). The HCC with Gzip Compressìon can quadruple the compression speed than pure Gzip Compression , whìch ì